Data-based control of Logical Networks

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 최근 제어 공학 분야에서 데이터 기반 (data-driven) 접근법이 급격히 확산되고 있으나, **불린 제어 네트워크 (Boolean Control Networks, BCN)**에 적용된 사례는 매우 제한적입니다. BCN 은 유전자 조절 네트워크 등 복잡한 생물학적 시스템을 모델링하는 데 유용하지만, 시스템의 규모와 복잡성으로 인해 정확한 수학적 모델을 식별 (identification) 하거나 유도하는 것이 어렵습니다.
• 문제점: 기존 BCN 제어 연구는 시스템의 정확한 모델 (행렬 $L, H$) 을 전제로 합니다. 그러나 실제 환경에서는 데이터가 불완전하여 모델을 유일하게 식별할 수 없는 경우가 많습니다.
• 핵심 목표: 시스템 모델을 알지 못하거나, 수집된 데이터가 모델을 유일하게 식별하기에 충분하지 않더라도 (non-identifiable), 제한된 데이터만을 활용하여 BCN 의 기본 특성 (도달성, 평형점) 을 평가하고, 안전 제어 (Safe Control) 및 출력 조절 (Output Regulation) 문제를 해결하는 방법론을 제시하는 것입니다.

2. 방법론 (Methodology)

이 논문은 데이터의 정보성 (Informativity) 프레임워크를 BCN 에 적용하여 문제를 접근합니다.

• 데이터 수집 및 정의:

  • 오프라인 실험을 통해 과거 상태 ($X_p$), 입력 ($U_p$), 미래 상태 ($X_f$), 출력 ($Y_p$) 데이터를 수집합니다.
  • 수집된 데이터와 일치하는 모든 가능한 BCN 모델의 집합을 $B_d$로 정의합니다.
  • 정보성 (Informativity): 데이터가 모델을 유일하게 식별할 수 없더라도, $B_d$에 속하는 모든 BCN 에 대해 특정 제어 문제가 해결 가능하거나 특정 성질이 성립하면 그 데이터는 해당 문제/성질에 대해 "정보성 (informative)"이 있다고 정의합니다.

• 핵심 도구:

  • 데이터 기반 총합 행렬 ($L^d_{tot}$): 수집된 상태 전이 데이터로부터 도출된 행렬로, 실제 시스템 행렬 $L_{tot}$의 "최대 하한 (under-approximation)" 역할을 합니다. 즉, 데이터에서 확인된 전이만 1 로, 나머지는 0 으로 설정하여 가장 보수적인 (conservative) 모델을 구성합니다.
  • 그래프 이론: 도달성 (Reachability) 과 순환 (Cycles) 분석을 위해 방향 그래프 (Digraph) 개념을 활용합니다.

• 주요 제어 문제 해결 전략:

  1. 안전 제어 (Safe Control):
     • 주어진 "불안전 상태 집합 ($X_u$)"에서 벗어나 "안전 상태 집합 ($X_s$)"으로 진입하고, 일단 안전 상태에 도달하면 영원히 그 안에 머무르도록 하는 상태 피드백 제어 법칙을 설계합니다.
     • 조건: 모든 $X_s$ 내 상태가 $X_s$ 내의 다음 상태로 전이 가능해야 하며, 모든 $X_u$ 상태가 $X_s$로 도달 가능해야 합니다. 이를 $L^d_{tot}$를 통해 데이터만으로 검증합니다.
  2. 출력 조절 (Output Regulation):
     • 유한 시간 후 시스템 출력을 원하는 값 $y^*$로 수렴시키고 유지하도록 제어합니다.
     • 전략: 원하는 출력 $y^*$를 생성하는 상태 집합 $X^d(y^*)$를 데이터로부터 식별한 후, 이 집합 내에 존재하는 모든 순환 (Limit Cycles) 이 전역적으로 도달 가능 (globally reachable) 한지 확인합니다.
     • 알고리즘: 존슨 알고리즘 (Johnson's Algorithm) 을 활용하여 데이터 기반 그래프 내의 모든 순환을 탐지하고, 이를 기반으로 피드백 행렬을 구성합니다.

3. 주요 기여 (Key Contributions)

1. BCN 에 대한 데이터 기반 제어 프레임워크 정립: 모델 식별 없이도 데이터만으로 BCN 의 도달성 (Reachability) 과 평형점 (Equilibrium Points) 존재 여부를 판단할 수 있는 필요충분 조건을 제시했습니다.
2. 안전 제어 및 출력 조절 문제의 데이터 기반 해결:
   • 안전 제어: 데이터가 안전 제어 문제를 해결하기에 충분한지 판단하는 필요충분 조건 (Theorem 12) 과 이를 위한 피드백 행렬 설계 알고리즘 (Algorithm 2) 을 제안했습니다.
   • 출력 조절: 데이터 기반 출력 조절 문제의 해 존재 조건 (Theorem 16) 을 제시하고, 상태 피드백을 통해 원하는 출력으로 조절하는 구체적인 알고리즘 (Algorithm 3, 4) 을 개발했습니다.
3. 알고리즘적 접근: 이론적 조건뿐만 아니라, 실제 피드백 제어 행렬 ($K$) 을 수집된 데이터로부터 직접 계산할 수 있는 체계적인 알고리즘을 제공했습니다.

4. 결과 (Results)

• 이론적 검증: 수집된 데이터가 불완전하더라도, $B_d$에 속하는 모든 가능한 시스템에 대해 제어 목표가 달성되면 실제 시스템에서도 반드시 달성된다는 것을 수학적으로 증명했습니다.
• 알고리즘 유효성: 예시 (Example 13, 18) 를 통해 제안된 알고리즘이 소규모 BCN 에서 안전 제어 및 출력 조절 문제를 성공적으로 해결하고, 올바른 피드백 행렬을 생성함을 시연했습니다.
• 계산 복잡도: BCN 제어 문제는 본질적으로 NP-hard 이지만, 데이터 기반 접근법은 실제 모델의 모든 전이를 나열할 필요가 없으므로 (데이터에서 관찰된 전이만 사용), 계산 부하를 줄일 수 있음을 지적했습니다. 또한 데이터의 양 ($T$) 이 시스템 상태 수 ($N=2^n$) 보다 작을 수 있어 효율적입니다.

5. 의의 및 중요성 (Significance)

• 모델 불확실성 극복: 유전자 네트워크 등 정확한 물리적 모델 추정이 불가능한 복잡한 시스템에서, 데이터만으로 신뢰할 수 있는 제어 전략을 수립할 수 있는 길을 열었습니다.
• 실용성: 기존 모델 기반 제어 (Model-based Control) 는 정확한 모델 식별이 선행되어야 하지만, 이 연구는 식별 단계 없이도 제어기를 설계할 수 있어 실제 공학적 적용 가능성을 크게 높였습니다.
• 확장성: 제안된 '정보성 (Informativity)' 프레임워크는 BCN 의 안전성 및 출력 조절뿐만 아니라, 향후 다른 논리 시스템 제어 문제로도 확장 적용될 수 있는 기초를 마련했습니다.

결론적으로, 이 논문은 불완전한 데이터 환경에서도 BCN 의 핵심 제어 문제 (안전성 유지, 출력 조절) 를 해결할 수 있는 이론적 토대와 실용적 알고리즘을 제공하여, 데이터 기반 제어 이론을 논리 시스템 영역으로 성공적으로 확장한 의의가 있습니다.