Learning Parametric Nitrogen Fertilizer Response Curves Using Neuro Symbolic Regression

기술 요약: 뉴로 심볼릭 회귀를 이용한 파라미터적 질소 비료 반응 곡선 학습

문제 정의
작물 반응을 정확하게 모델링하는 것은 정밀 농업(PA)에서 매우 중요한 과제이며, 이는 경제적 수익과 환경적 지속 가능성에 직접적인 영향을 미칩나다. 현재의 방법론은 두 가지 양극단의 문제에 직면해 있습니다. 하나는 사전에 정의된 파라미터 형태(예: 이차-플래토 또는 지수 함수)에 의존하여 복잡하고 사이트 특이적인 역학을 포착하지 못할 수 있다는 점이고, 다른 하나는 해석 가능성이 결여된 불투명한 머신러닝 모델(심층 신경망 등)을 사용하는 것입니다. 또한, 농업 데이터는 종종 희소하며 인식론적 불확실성(epistemic uncertainty)의 영향을 받기 때문에, 노이즈나 국지적인 데이터 공백에 과적합되지 않고 견고한 함수 관계를 발견하기가 어렵습니다. 본 연구의 구체적인 목표는 사전 정의된 함수 형태를 가정하지 않고 불투명한 모델로부터 파라미터적이고 사이트 특이적인 질소(N) 반응 곡선을 추출하여, 특정 관리 구역(MZ) 내에서 질소 비료 투입량과 작물 수율 사이의 관계를 특징짓는 수학적 방정식을 발견하는 것입니다.

방법론
저자들은 SeTGAP(Transformer, 유전 알고리즘 및 유전 프로그래밍을 이용한 심볼릭 회귀)에 기반한 뉴로 심볼릭 회귀(SR) 프레임워크를 제안합니다. 이 접근 방식은 두 가지 주요 단계로 나뉩니다.

1. 다중 집합 심볼릭 스켈레톤 예측 (Multi-Set Symbolic Skeleton Prediction, MSSP):
   인식론적 불확실성과 데이터 희소성을 해결하기 위해, 이 방법은 멀티 세트 트랜스포머(Multi-Set Transformer) 전략을 채택합니다. 단일 데이터셋을 학습하는 대신, 알고리즘은 입력 도메인의 하위 영역을 무작위로 샘플링하여 별도의 입력 서브셋($D = \{D^{(1)}, \dots, D^{(N_S)}\}$)을 구성합니다.

• 1차원 합성 검증: 초기 단계에서, 이 방법은 단일 1차원 곡선으로부터 여러 서브셋을 생성합니다. 심볼릭 표현 코퍼스에 대해 사전 학습된 멀티 세트 트랜스포머는 공유된 함수 구조를 포착하는 '심볼릭 스켈레톤'(상수 플레이스홀더를 가진 추상적 표현)을 예측합니다. 이러한 다양성은 모델이 국지적 노이즈를 무시하고 근본적인 함수 형태를 복구하는 데 도움을 줍니다.
• 실제 적용: 겨울 밀 사례 연구의 경우, 이 전략은 특정 관리 구역($R_z$) 내의 여러 N-반응 곡선을 처리하도록 조정됩니다. 알고리즘은 해당 구역에서 $N_S$개의 서로 다른 곡선을 선택하고, 각 곡선에서 서브셋을 샘플링하며, 다양한 곡선 전반에 걸쳐 일반화될 수 있는 후보 스켈레톤을 생성합니다.

2. 파라미터 피팅 및 최적화:
   심볼릭 스켈레톤이 식별되면, 유전 알고리즘(GA)을 사용하여 관측된 데이터에 플레이스홀더 상수를 피팅합니다. 이 과정은 피팅된 표현과 타겟 값 사이의 평균 제곱 오차(MSE)를 최소화하기 위해 반복됩니다. 최종 출력은 간결하고 해석 가능한 수학적 방정식입니다.

주요 기여

• 정밀 농업을 위한 뉴로-심볼릭 프레임워크: 본 논문은 불투명한 신경망(NN) 예측으로부터 파라미터적 N-반응 곡선을 추출하기 위해 SeTGAP을 적용하는 새로운 응용 사례를 소개하며, 블랙박스 예측을 넘어 해석 가능한 수학적 모델로 나아갑니다.
• 불확실성을 위한 다중 집합 전략: MSSP를 인식론적 불확실성을 처리하기 위해 적용한 것은 구체적인 기여입니다. 다양한 입력 서브셋(또는 MZ 내의 서로 다른 곡선) 간의 일관성을 강제함으로써, 이 방법은 데이터가 부족한 상황에서도 노이즈에 의한 이상치에 과적합되지 않고 견고한 스켈레톤을 복구합니다.
• 구역 특이적 함수 발견: 본 연구는 단일 필드 내에서 서로 다른 관리 구역에 대해 별개의 함수 형태를 학습할 수 있음을 입증하며, 하나의 파라미터 형태가 필드 전체에 적용된다는 전통적인 가설에 도전합니다.

실험 결과
연구는 두 단계로 접근 방식을 평가합니다:

1. 합성 1차원 문제: 이 방법은 적응형 샘플링(AS) 프레임워크 하에서 이분산 노이즈가 포함된 합성 문제(cos, hetero, cosqr)에 대해 테스트되었습니다. 결과에 따르면, 데이터가 희소한 초기 반복 단계에서는 불안정하거나 과적합된 표현이 나타났으나, AS 프로세스가 불확실성을 줄임에 따라 심볼릭 모델은 안정화되어 올바른 함수 형태(예: $10 - 5\sin(x)$ 식별)로 수렴했습니다. 이 방법은 NN 예측이 희소한 데이터로 인해 국지적 부정확성을 보일 때도 올바른 표현을 성공적으로 복구했습니다.
2. 겨울 밀 사례 연구 (Field A): 이 방법은 4개의 MZ로 나뉜 실제 겨울 밀 필드 데이터에 적용되었습니다. 발견된 심볼릭 표현은 전통적인 이차-플래토 및 지수 모델과 비교되었습니다.
   • 정확도: SeTGAP 유도 표현은 모든 4개 MZ에서 전통적인 모델보다 낮은 평균 제곱 오차(MSE)를 달 기록했습니다. 예를 들어, MZ 2에서 SeTGAP 오차는 0.0355였으며, 이는 이차-플래토 모델의 0.0725와 대조됩니다.
   • 다양성: 이 방법은 서로 다른 구역에 대해 서로 다른 함수 형태(예: MZ 1과 2를 위한 쌍곡 탄젠트 형태, MZ 3을 위한 코사인 변조 선형 형태, MZ 4를 위한 지수-사인 형태)를 성공적으로 식별하였으며, 이는 토양과 지형의 공간적 가변성을 반영합니다.

의의 및 주장
저자들은 본 연구가 뉴로 심볼릭 회귀가 사이트 특이적인 농업 관계의 발견을 가능하게 한다는 것을 보여준다고 주장합니다. 계산 비용이 많이 드는 NN을 가볍고 해석 가능한 방정식으로 대체함으로써, 이 프레임워크는 경제적 최적 질소 시비량(EONR) 계산과 같은 효율적인 다운스트림 다목적 최적화를 지원합니다.

논문은 본 연구의 기여를 하나의 개념 증명(proof of concept)으로 겸허하게 규정합니다. 저자들은 제안된 SR 전략이 일반적인 최첨단 SR 방법론이라기보다 N-반응 곡선 추출이라는 특정 과제의 해결을 위해 맞춤화된 "임시 방편적 솔루션(ad hoc solution)"임을 인정합니다. 또한, Field A에서의 결과가 실질적인 잠재력을 보여주지만, 고차원 설정으로 전략을 일반화하고, 방법론을 공식화하며, 여러 필드, 농장 및 작물 유형에 걸쳐 견고성을 검증하기 위한 향후 연구가 필요함을 강조합니다. 주요 가치는 함수 형태를 미리 정의하지 않고도 복잡한 국지적 변동을 포착할 수 있는 데이터 기반의 해석 가능한 대안을 제공하는 데 있습니다.