[기술 요약] $\partial$CBDs: 미분 가능한 인과적 블록 다이어그램

1. 문제 정의 (Problem Statement)

현대 사이버 물리 시스템(CPS)은 물리 법칙, 계산 로직, 그리고 머신러닝이 결합된 복잡한 구조를 가집니다. 이러한 시스템을 설계할 때 엔지니어는 다음 세 가지 상충하는 목표를 동시에 달성해야 하는 어려움에 직면합니다:

• 구성성 (Compositionality): 복잡한 구조를 관리하기 위해 모듈식 설계가 필요함.
• 학습 가능성 (Learnability): 데이터로부터 모델과 제어기를 최적화하기 위해 미분 가능한 프레임워크가 필요함.
• 검증 가능성 (Verifiability): 안전성과 정확성을 보장하기 위한 형식적 검증이 필요함.

기존 방식들은 이 중 하나에 치우쳐 있습니다. **인과적 블록 다이어그램(CBD)**은 구성성은 뛰어나지만 미분이 불가능하여 학습에 취약하고, **미분 가능 프로그래밍(DP)**은 최적화에는 강력하지만 시스템의 물리적/형식적 정당성을 보장하기 어렵습니다. 또한, **계약 기반 검증(Contract-based verification)**은 안전성을 보장하지만 데이터 기반의 학습 과정과 분리되어 있어 실시간 최적화에 통합하기 어렵습니다.

2. 방법론 (Methodology)

본 논문은 이 세 가지 요소를 통합한 새로운 프레임워크인 $\partial$CBDs를 제안합니다. 이 프레임워크는 다섯 가지 추상화 계층(구조, 의미, 계약, 미분, 최적화 계층)을 통해 작동합니다.

핵심 구성 요소:

1. $\partial$CBD 블록 정의: 각 블록은 입력($U$), 상태($X$), 출력($Y$), 시간 의미론($T$), 상태 전이 함수($F$), 출력 함수($g$), 초기 조건($Init$), 그리고 **계약($C$)**을 포함하는 튜플로 정의됩니다.
2. 계약의 이중화 (Dual Contracts):
   • Assume-Guarantee (A–G) 계약: 시스템의 모듈식 정당성을 논리적으로 추론하기 위한 규범적 사양입니다.
   • 잔차 기반 계약 (Residual-based Contracts): 실행된 궤적(trajectory)에 대해 수치적으로 계산 가능한 **미분 가능한 인증서(differentiable certificates)**입니다. 이는 $C_{res}(X, U, Y; \theta) \le 0$ 형태로 표현되어 자동 미분(AD) 엔진을 통해 최적화 과정에 직접 통합될 수 있습니다.
3. 미분 가능성 확보 (Differentiability):
   • 연속 시간(ODE/DAE), 이산 시간(차분 방정식), 머신러닝 모델(Neural Networks), 고정점 솔버(Fixed-point solvers), 최적화 레이어(Optimization layers) 등을 모두 미분 가능한 프리미티브(primitive)로 취급합니다.
   • CBD 구조를 **미분 가능한 유향 비순환 그래프(DAG)**로 변환(Rate lifting, Loop unrolling 등 수행)하여 현대적인 AD 프레임워크(PyTorch, JAX 등)에서 실행 가능하게 만듭니다.
4. 통합 최적화 문제:
   • 목적 함수(Task performance)와 계약 잔차(Contract residuals)를 결합하여, 물리적 제약과 안전성을 준수하면서도 성능을 극대화하는 파라미터 $\theta$를 경사 하강법(Gradient-based optimization)으로 찾아냅니다.

3. 주요 기여 (Key Contributions)

• 통합 프레임워크 제안: CBD의 구성성, A–G 계약의 검증성, DP의 학습 가능성을 하나의 파이프라인으로 결합했습니다.
• 미분 가능한 계약 메커니즘: 형식적 계약을 미분 가능한 잔차(residual) 형태로 변환하여, 학습 과정에서 안전성 및 물리적 제약 조건을 '가이드'로 사용할 수 있게 했습니다.
• 확장 가능한 변환 알고리즘: 복잡한 CBD 구조를 AD가 실행 가능한 DAG로 변환하는 체계적인 방법론을 제시했습니다.

4. 실험 결과 (Results)

논문은 세 가지 사례 연구를 통해 $\partial$CBDs의 효용성을 입증했습니다.

1. 스칼라 피드백 이득 튜닝 (Stability-by-construction):
   • 시스템의 안정성(ISS)을 보장하는 계약을 설정하고, 이를 준수하면서 성능을 최적화하는 이득($\kappa$)을 찾아냈습니다. 결과적으로 안정성 범위를 벗어나지 않으면서 최적의 제어 성능을 보였습니다.
2. 뉴럴 정책 및 리아푸노프 인증서 공동 학습 (Joint Learning):
   • 비선형 Van der Pol 진동자 시스템에서 뉴럴 네트워크 기반 제어기와 리아푸노프 함수(Lyapunov function)를 동시에 학습시켰습니다. 학습된 제어기는 미지의 초기 조건에서도 리아푸노프 조건을 만족하며 안정적으로 원점으로 수렴함을 확인했습니다.
3. Deep Koopman 연산자 학습 (Deep Koopman Identification):
   • 비선형 동역학을 선형 잠재 공간으로 매핑하는 Koopman 모델을 학습시켰습니다. 이때 잠재 공간의 안정성(Spectral radius < 1)을 계약으로 설정하여, 학습된 모델이 물리적으로 타당하고 안정적인 선형 모델임을 보장했습니다.

5. 의의 (Significance)

$\partial$CBDs는 "검증 가능한 AI(Verifiable AI)" 및 **"물리 기반 머신러닝(Physics-informed ML)"**을 위한 강력한 수학적 토대를 제공합니다.

• 단순히 데이터를 맞추는 것을 넘어, 물리 법칙과 안전 규약을 준수하는 모델을 설계할 수 있습니다.
• 복잡한 CPS 설계 프로세스에서 모델링, 제어 설계, 학습, 검증을 하나의 통합된 워크플로우로 묶음으로써 엔지니어링 효율성을 극대화할 수 있습니다.
• 향후 자율 주행, 로봇 공학, 스마트 그리드와 같이 안전성이 필수적인 분야에서 에이전트의 행동을 보장하면서도 적응형 학습을 가능하게 하는 핵심 기술이 될 것으로 기대됩니다.