Informativity and Identifiability for Identification of Networks of Dynamical Systems

논문 요약: 동적 시스템 네트워크의 식별을 위한 정보성과 식별 가능성

1. 문제 정의 (Problem)

동적 시스템 네트워크 (Networks of Dynamical Systems) 의 시스템 식별 (System Identification) 분야에서 두 가지 근본적인 질문이 존재합니다.

1. 정보성 (Informativity): 시스템 식별에 사용된 신호들이 예측기 (Predictor) 를 고유하게 결정할 수 있도록 충분한 정보를 제공하는가?
2. 식별 가능성 (Identifiability): 네트워크 토폴로지가 예측기로부터 개방 루프 (Open-loop) 전달 함수를 고유하게 결정할 수 있도록 하는가?

기존 연구들은 주로 전체 네트워크 식별이나 부분 네트워크 (Sub-network) 식별에 초점을 맞추었으나, 다음과 같은 제한 사항들이 있었습니다:

• 모든 노드 신호를 측정하는 경우 (Full measurement) 를 가정하는 경우가 많음.
• 측정 방정식에 식별해야 할 전달 함수가 포함되거나, 입력에서 출력으로의 직접 전달 (Direct feed-through) 이 있는 경우를 다루기 어려움.
• 일부 전달 함수가 이미 알려져 있거나, 전달 함수 간에 대수적 제약 (Constraints) 이 있는 경우를 일반화하기 어려움.

본 논문은 이러한 제한을 극복하고, 부분 측정 (Partial measurement), 알려진 전달 함수, 대수적 제약이 포함된 더 일반적인 네트워크 구성에 대해 정보성과 국소적 식별 가능성 (Generic local network identifiability) 을 분석하는 새로운 프레임워크를 제시합니다.

2. 방법론 (Methodology)

저자들은 다음과 같은 수학적 도구를 활용하여 문제를 해결합니다:

• 그뢰브너 기저 (Gröbner Bases): 대수기하학 (Algebraic Geometry) 의 도구인 그뢰브너 기저를 사용하여 전달 함수 간의 대수적 관계와 식별 가능성을 분석합니다. 이를 통해 다항식 이상 (Ideal) 의 차원을 계산하고, 식별 가능성 조건을 도출합니다.
• 그래프 이론 (Graph Theory): 네트워크의 구조적 특성을 방향성 그래프로 모델링하여, 입력에서 출력으로 가는 서로소 경로 (Disjoint paths) 의 최대 개수를 통해 일반적 랭크 (Generic rank) 를 분석합니다.
• 예측기 및 혁신 형태 (Predictor & Innovation Form): 시스템 식별을 위해 예측기 기반 접근법을 사용하며, 혁신 형태 (Innovation form) 의 존재를 가정하여 폐루프 전달 함수를 예측기로부터 복원합니다.
• 아핀 다양체 (Affine Varieties): 식별 가능성 문제를 아핀 다양체의 차원 비교 문제로 변환합니다.

3. 주요 기여 (Key Contributions)

가. 정보성 (Informativity) 에 대한 충분 조건 제시

• 외부 신호의 스펙트럼이 양의 정부호 (Positive definite) 이고, 외부 신호와 예측기 입력 간의 전달 함수 행렬의 **일반적 랭크 (Generic rank)**가 풀 (Full) 일 때, 신호가 정보성을 가진다고 증명했습니다.
• 그래프 이론적 조건: 네트워크 그래프에서 입력 노드 (U) 에서 출력 노드 (Z) 로 가는 최대 서로소 경로의 개수가 일반적 랭크와 같음을 보였습니다.
• 그뢰브너 기저 조건: 전달 함수 행렬의 일반적 랭크를 그뢰브너 기저를 계산하여 판별하는 알고리즘을 제시했습니다. 이 방법은 알려진 전달 함수나 대수적 제약이 있는 경우에도 자연스럽게 적용 가능합니다.

나. 일반적 국소 네트워크 식별 가능성 (Generic Local Network Identifiability) 분석

• 폐루프 전달 함수로부터 개방 루프 전달 함수를 복원할 수 있는 조건을 아핀 다양체의 차원으로 정의했습니다.
• 주요 정리: 매개변수 공간 ($V_o$) 의 차원과 폐루프 전달 함수 공간 ($V_c$) 의 차원이 동일할 때 ($\dim(V_o) = \dim(V_c)$), 네트워크는 일반적 국소적으로 식별 가능합니다.
• 이 조건은 그뢰브너 기저를 사용하여 계산 가능하며, 부분 측정, 알려진 전달 함수, 그리고 전달 함수 간의 제약 조건을 모두 포함할 수 있습니다.

다. 부분 네트워크 (Sub-network) 식별 확장

• 전체 네트워크가 아닌 관심 있는 부분 네트워크만 식별하는 경우를 다룹니다.
• 측정되지 않은 부분 네트워크의 노드 신호가 외부 입력으로 간주되거나, 측정 가능한 선형 조합으로 대체되는 경우를 모델링하여, 전체 네트워크의 정보성과 식별 가능성 분석 방법을 부분 네트워크에도 적용 가능하게 확장했습니다.

4. 결과 및 사례 연구 (Results & Examples)

• 이론적 검증: 기존 문헌의 특수한 경우 (예: $P(q)=I-G(q)$, $S(q)=0$, 완전 측정 등) 를 본 논문의 일반화된 프레임워크가 포함함을 보였습니다.
• 예시 분석:
  • Example 1-3: 간단한 네트워크 예시를 통해 정보성과 식별 가능성의 상호작용, 부분 측정의 영향, 그리고 국소 식별 가능성이 전역 식별 가능성을 함의하지 않는 경우 (Local identifiability does not imply identifiability) 를 반례로 제시했습니다.
  • Example 4-5 (수치 예제): MATLAB 을 사용하여 그뢰브너 기저 계산을 수행했습니다. 11 개의 변수를 가진 비교적 큰 네트워크에서 약 11 분 만에 일반적 국소 식별 가능성을 확인했고, 부분 네트워크 식별 및 특정 입력 신호 제거 시에도 조건이 유지됨을 검증했습니다. 이는 수동 분석이 어려운 복잡한 네트워크에 대해 알고리즘이 유효함을 보여줍니다.

5. 의의 및 결론 (Significance & Conclusion)

• 일반성 (Generality): 본 연구는 기존 연구들보다 훨씬 더 일반적인 네트워크 구성 (부분 측정, 직접 전달, 알려진 전달 함수, 대수적 제약 등) 을 다룰 수 있는 최초의 체계적인 프레임워크 중 하나입니다.
• 실용성: 그뢰브너 기저를 활용한 알고리즘적 접근법은 복잡한 네트워크 구조에서도 식별 가능성과 정보성을 자동으로 검증할 수 있게 하여, 실험 설계 (어떤 신호를 자극해야 하는가) 에 중요한 지침을 제공합니다.
• 차별점: 알려진 전달 함수를 포함할 경우 계산 시간이 단축된다는 점을 지적하며, 대수기하학적 도구가 시스템 식별 분야에서 강력한 분석 도구로 활용될 수 있음을 입증했습니다.

결론적으로, 이 논문은 동적 시스템 네트워크 식별의 이론적 기반을 대수기하학과 그래프 이론을 통해 확장하여, 실제 복잡한 네트워크 시스템의 식별 문제 해결에 새로운 통찰과 도구를 제공합니다.