Goal-Oriented Real-Time Bayesian Inference for Linear Autonomous Dynamical Systems With Application to Digital Twins for Tsunami Early Warning

기술 요약: 선형 자율 동적 시스템을 위한 목표 지향적 실시간 베이지안 추론

문제 정의
본 논문은 고충실도 편미분 방정식(PDE) 모델에 의해 제어되는 매우 큰 규모의 선형 역문제(inverse problems)를 베이지안 프레임워크 내에서, 특히 실시간 응용 분야를 위해 해결하는 과제를 다룹다. 대상 응용 분야는 카스카디아 섭입대(CSZ)와 같은 섭입 지역에서의 쓰나미 조기 경보를 위한 디지털 트윈이다. 구체적인 작업은 희소한 해저 압력 관측 데이터($d$)로부터 지진에 의한 시공간적 해저 운동(파라미터 $m$)을 추론하고, 이후 취약한 해안 지역의 쓰나미 파고(관심 대상, 즉 QoI, $q$로 표기)를 예측하는 것이다.

이 문제는 극단적인 차원성을 특징으로 한다: CSZ에 대한 이산화된 음향-중력 PDE 모델은 약 $O(10^9)$개의 역전 파라미터를 생성한다. 샘플링이나 라플라스 근사에 의존하는 전통적인 베이지안 추론 방법은 이러한 규모에서는 계산적으로 불가능하다. 또한, 표준 대리 모델(surrogate modeling) 기술(예: 가우시안 프로세스, 뉴럴 오퍼레이터)은 파동 전파 문제의 파라미터-관측물 맵(parameter-to-observable map)이 저차원 부분 공간 표현을 허용하지 않기 때문에 효과적이지 않다. 이는 해당 맵의 특이값(singular values)이 지배적인 쌍곡형 PDE의 고주파 특성으로 인해 느리게 감소하기 때문이다. 또한, 실시간 실행(수 초 이내)의 필요성은 추론 단계 동안 반복적인 순방향 및 인접(adjoint) PDE 풀이를 요구하는 기존의 반복 솔버 사용을 배제한다.

방법론
저자들은 자율적 구조(autonomous structure, 구체적으로 선형 시불변 또는 LTI 시스템)를 활용하여 솔루션을 오프라인 사전 계산 단계와 온라인 실시간 단계로 분해하는 프레임워크를 제안한다. 핵심적인 수학적 통찰은 이러한 시스템의 파라미터-관측물(p2o) 및 파라미터-QoI(p2q) 맵이 시간 이동 불변성(time-shift invariance)으로 인해 블록 토플리츠(block Toeiltez) 구조를 가진다는 점이다.

본 방법론은 네 가지 단계로 진행된다:

1. 단계 1 (오프라인): 맵의 사전 계산.
   모든 파라미터에 대해 순방향 문제를 푸는 대신, 본 프레임워크는 인접(adjoint) PDE 방정식을 풀어 p2o 맵($F$)과 p2q 맵($F_q$)을 계산한다. 블록 토플리츠 구조 덕분에, 센서 위치당 한 번($F$의 경우) 및 QoI 위치당 한 번($F_q$의 경우)의 인접 솔브만 수행하면 된다. 이 솔루션들을 시간축으로 이동시켜 전체 맵을 구성한다. 이 단계는 계산 비용이 많이 들지만 단 한 번만 수행된다.

2. 단계 2 (오프라인): 사후 분포의 압축 표현.
   파라미터의 사후 공분산 $\Gamma_{post}(m) = (F^* \Gamma_{noise}^{-1} F + \Gamma_{prior}^{-1})^{-1}$은 직접 저장하기에는 너무 크다 ($O(10^9 \times 10^9)$). 저자들은 셔먼-모리슨-우드베리(Sherman–Morrison–Woodbury) 공식을 사용하여 역전을 고차원 파라미터 공간에서 저차원 데이터 공간($O(N_d N_t \times N_d N_t)$)으로 전환한다. 이를 위해 행렬 $K = \Gamma_{noise} + F \Gamma_{prior} F^*$와 행렬 $G^* = \Gamma_{prior} F^*$를 사전 계산해야 한다. 결정적으로, 사전 공분산이 시불변(time-invariant)인 경우, $G^*$ 역시 블록 토플리츠 구조를 상속받으므로 효율적인 저장과 계산이 가능하다.

3. 단계 3 (오프라인): 목표 지향적 사전 계산.
   온라인 단계에서 전체 파라미터 필드를 명시적으로 추론하는 과정을 거치지 않고도 QoI를 실시간으로 예측할 수 있도록, 프레임워크는 데이터-to-QoI(d2q) 맵($Q$)을 사전 계산한다. 이 맵은 관측된 데이터를 QoI의 사후 평균 및 공분산에 직접 연결함으로써, 온라인 단계에서의 중간 파라미터 추론 단계를 우회한다.

4. 단계 4 (온라인): 실시간 추론 및 예측.
   새로운 관측 데이터가 주어지면 시스템은 다음을 수행한다:

   • 파라미터 추론: 사전 계산된 행렬들과 빠른 행렬-벡터 곱(matvecs)을 사용하여 해저 운동의 최대 사후 확률(MAP) 추정치를 계산한다.
   • QoI 예측: 사전 계산된 d2q 맵을 사용하여 쓰나미 파고와 그 불확실성을 직접 계산한다.

   온라인 단계의 계산 병목 현상은 다중 GPU 가속 고속 푸리에 변환(FFT) 알고리즘을 사용하여 제거된다. 이 알고리즘은 블록 토플리츠 구조를 활용하여 $O(N \log N)$ 시간 내에 $F$, $F^*$, 그리고 이들의 인접 연산을 수행하며, 온라인 단계 동안 PDE 솔브를 전혀 요구하지 않는다.

주요 기여

• 정확한 실시간 추론: 본 논문은 근사나 대리 모델 없이 이산화된 역문제를 정확하게(반올림 오차 범위 내에서) 해결하는 프레임워크를 제시하며, $O(10^8)$에서 $O(10^9)$ 사이의 파라미터를 가진 문제에 대해 실시간 성능을 달성한다.
• 오프라인-온라인 분해: 시스템의 자율적 성격을 활용함으로써, 계산 집약적인 PDE 솔브를 완전히 오프라인 단계로 이동시킨다. 온라인 단계는 사전 계산된 행렬에 대한 선형 대수 연산에만 의존한다.
• FFT 기반 가속: 저자들은 순방향/인접 PDE 솔브를 포함하는 기존의 매트릭스 프리(matrix-free) 방식과 비교하여 약 $44,000\times$에서 $160,000\times$의 속도 향상을 달성하는, 다중 GPU 클러스터 상의 FFT 기반 알고리즘을 이용한 헤시안(Hessian) matvec 계산법을 도입했다.
• 목표 지향적 효율성: 프레임워크는 QoI 예측을 명시적으로 타겟팅하여, 데이터에서 QoI로의 직접적인 매핑(d2q 맵을 통해)을 가능하게 하며, 이는 온라인 예측 단계의 저장 및 계산 요구량을 획기적으로 줄인다.
• 고계수 헤시안 처리: 헤시안의 특이값이 느리게 감소하는(고계수) 역문제를 성공적으로 처리한다. 이는 표준적인 저계수 근사 기술들이 실패하는 시나리오이다.

결과
저자들은 섭입 지역을 나타내는 음향-중력 파동 방정식의 3D 테스트 구성을 통해 프레임워크를 입증했다:

• 규모: 테스트 문제는 약 1억 3,200만 개의 파라미터 ($1.3 \times 10^8$), 24,500개의 데이터 포인트, 800개의 QoIs를 포함한다.
• 성능:
  • 오프라인: 필요한 맵과 행렬을 사전 계산하기 위해 65개의 인접 PDE를 풀어야 했으며, 슈퍼컴퓨터 클러스터에서 약 8.6시간이 소요되었다.
  • 온라인: 해저 운동을 추론하고 쓰나미 파고(QoI)를 예측하는 전체 엔드 투 엔드 과정(불확실성 정량화 포함)이 수 초 미만 내에 완료되었다 (구체적으로, 노트북에서 추론에 ~57ms, QoI 단계 예측에 ~1ms 소요).
• 정확도: 6%의 가산 노이즈가 있는 합성 데이터에 대해, 추론된 해저 운동의 상대 오차는 약 9.5%였으나, 예측된 쓰나미 파고(QoI)의 상대 오차는 약 1.6%에 불과했다. 이 결과는 고주파 성분의 해저 운동은 (희소한 데이터로 인해) 해상도가 낮더라도, 쓰나미 형성을 주도하는 저주파 성분은 정확하게 포착되어 매우 정확한 QoI 예측이 가능함을 나타낸다.
• 비교: 동일한 문제를 해결하기 위해 며칠이 걸릴 수 있는 기존의 켤레 기울기(conjugate gradient) 접근 방식과 비교했을 때, 제안된 방법은 온라인 단계에서 약 4억 배의 속도 향상을 제공한다.

의의 및 주장
본 논문은 핵심 인프라 및 재난 관리를 위한 디지털 트윈 구축의 근본적인 발전을 제공한다고 주장한다. 고충실도 PDE 모델에 충실한 정확한(exact) 동시에 실시간인 목표 지향적 베이지안 추론을 가능하게 함으로써, 본 프레임워크는 규모와 계산적 제약으로 인해 이전에는 불가능하다고 여겨졌던 시스템에 대한 디지털 트윈 구축을 실현한다.

저자들은 이 접근 방식이 데이터 기반 대리 모델이나 저계수 근사에 의존하지 않고, 대신 자율 동적 시스템의 특정 수학적 구조를 활용한다는 점을 강조한다. 궁극적인 목표는 이 프레임워크를 카스카디아 섭입대에 적용하여 메가스러스트 지진으로 발생하는 쓰나미에 대한 조기 경보를 제공함으로써, 추론 및 예측 시간을 몇 시간에서 몇 초로 단축하여 인명을 구할 수 있도록 하는 것이다. 논문은 현재의 테스트 케이스가 전체 CSZ 규모보다는 작지만, 본 방법론이 전체 디지털 트윈에 필요한 $O(10^9)$ 파라미터 체급으로 확장 가능하도록 설계되었음을 명시하고 있다.