기술 요약: 상태 제약 최적 제어 문제를 위한 온라인 스펙트럼 디플레이션 (Online Spectral Deflation)

1. 문제 정의

본 논문은 **점별 상태 제약(pointwise state constraints)**이 특징인 파라미터 PDE 제약 최적 제어 문제를 다룹니다. 대표적인 응용 사례는 대형 에너지 자산(예: 전력 변압기)의 열 관리로, 여기서 분산된 열원 $u$는 온도장 $y$를 원하는 프로파일 $y_d$로 유도하면서 동시에 안전 경계 $\psi$를 준수해야 합니다.

핵심적인 계산상의 난제는 다중 쿼리 환경(설계 연구, 디지털 트윈, 불확실성 정량화)에서 발생합니다. 이 환경에서는 변화하는 파라미터 $\theta$(예: 운전 조건, 재료 특성)에 대해 동일한 제약 최적화 문제를 반복적으로 해결해야 합니다.

활성 집합 휘발성 장애물 (The Active-Set Volatility Obstacle)

상태 제약은 일반적으로 원형 활성 집합(Primal Active-Set, PAS) 전략을 통해 강제됩니다. 각 반복 단계에서 도메인은 다음과 같이 분할됩니다:

• 활성 집합 ($\mathcal{A}$): 상태 제약이 활성화된 영역 ($y = \psi$).
• 비활성 집합 ($\mathcal{I}$): 상태가 자유로운 영역 ($y < \psi$).

제어 및 어드조인트 변수를 제거하면, 문제는 비활성 집합에 제한된 슈어 보충 행렬(Schur-complement) 시스템을 푸는 문제로 귀결됩니다:
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
이 시스템은 대칭 양의 정부호(SPD) 성질을 가집니다. 그러나 파라미터 $\theta$가 변함에 따라 활성/비활성 분할이 비매끄럽게(불연속적으로) 변합니다. 결과적으로 제한된 연산자 $M_{\mathcal{I}\mathcal{I}}$는 다음의 변화를 겪습니다:

1. 차원 (비활성 집합의 크기).
2. 희소 패턴(Sparsity pattern).
3. 스펙트럼(Spectrum).

이러한 휘발성은 표준 재사용 전략을 무효화합니다:

• **희소 직접 인수분해(Sparse direct factorizations)**는 매 인스턴스마다 새로 구축되어야 합니다.
• 대수적 다중격자(Algebraic Multigrid, AMG) 계층 구조는 재구축이 필요합니다.
• **인스턴스 간 크릴로프 재사용(Instance-to-instance Krylov recycling)**은 이전 제한 시스템의 스펙트럼 정보가 연산자의 구조적 급변으로 인해 다음 시스템으로 반드시 전달되지 않기 때문에 실패합니다.

2. 방법론: 재사용 가능한 스펙트럼 디플레이션 (Reusable Spectral Deflation)

저자들은 연속적인 제한 시스템 사이에서 스펙트럼 정보를 재사용하는 대신, **단일 전체 도메인 참조 슈어 보충 행렬($M_{\text{ref}}$)**에 재사용 가능한 정보를 고정하는 전략을 제안합니다.

핵심 알고리즘 (A-DEF2)

이 방법은 **A-DEF2 디플레이티드 공액 기울기법(Deflated Conjugate Gradient, CG)**을 사용합니다:

1. 참조 기저 구축: 고정된 참조 연산자 $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$의 가장 작은 고유값-고유벡터 쌍 $(\lambda_j, \phi_j)$를 $r_{\text{pool}}$ 개만큼 한 번 계산합니다 (오프라인 단계).
2. 온라인 제한: 새로운 파라미터 인스턴스 $\theta$와 비활성 집합 $\mathcal{I}$가 주어지면, 미리 계산된 고유 모드를 $\mathcal{I}$로 제한합니다: $\phi_j|_{\mathcal{I}}$.
3. 직교 정규화: 제한된 벡터들에 QR 분해를 적용하여 디플레이션 기저 $Z$를 형성합니다.
4. 디플레이티드 솔브: $Z$를 A-DEF2 알고리즘의 디플레이션 기저로 사용합니다. 이는 코스 보정(coarse correction) 단계와 $P^\top M_{\mathcal{I}\mathcal{I}} P$ 상에서의 프리컨디셔닝된 CG 단계를 포함하며, 여기서 $P$는 $M_{\mathcal{I}\mathcal{I}}$-직교 투영 연산자입니다.

기저 구축 변형

다양한 레짐을 처리하고 비용을 줄이기 위해, 논문은 다음과 같은 개선 사항을 도입합니다:

• 레일리-리츠 재선택(Rayleigh–Ritz Re-selection): 제한 후, 후보 풀(pool)에서 작은 밀집 고유 문제를 풀어 최적의 $r_{\text{defl}}$ 벡터를 선택하는 선택적 단계입니다. 이는 단순한 제한이 악조건(ill-conditioning)을 초래할 수 있는 취약한 레짐(예: 고차원 랭크 라플라시안)에서 기저를 안정화합니다.
• POD 강화(POD Enrichment): 이전에 해결된 인스턴스의 POD 스냅샷을 사용하여 온라인으로 강화합니다. 이들은 조건수 안전 장치를 준수하며 QR 직교화를 통해 참조 고유 모드와 병합됩니다.
• 조립 격자 전파(Coarse-Grid Prolongation): 미세 격자 고유 모드를 계산하는 높은 비용을 피하기 위해, 고유 모드를 조립 격자에서 계산한 후 다중 선형 보간을 통해 미세 격자로 전파합니다. 이를 통해 오프라인 고유값 계산 비용을 $c^d$ 배만큼 줄입니다 (여기서 $c$는 조립 계수).
• 해석적 고유 모드(Analytical Eigenmodes): 텐서 곱 격자와 상수 계수 라플라시안 참조를 사용하는 경우, 고유 모드는 폐쇄형(sine 벡터의 크로네커 곱)으로 존재하므로 오프라인 사전 계산 시간을 sub-second 단위로 단축합니다.

조건수 안전 장치 (Conditioning Safeguards)

안정성을 보장하기 위해 두 가지 임계값을 포함합니다:

• $\tau_{\text{safe}}$ (구축 단계): 조립 그람 행렬(Gram matrix)의 조건수가 보수적인 한계치($10^4$)를 초과하면 POD 모드 강화를 중단합니다.
• $\tau_{\text{cond}}$ (솔브 단계): 솔브 시점의 코스 시스템 조건수가 더 높은 한계치($10^{10}$)를 초과하면, 솔버는 표준 Jacobi 프리컨디셔닝된 CG로 회귀(fallback)합니다.

3. 이론적 근거: 스펙트럼 일관성 (Spectral Coherence)

이 방법의 효과는 스펙트럼 일관성 현상에 기반합니다. 비록 $M_{\mathcal{I}\mathcal{I}}$의 차원과 스펙트럼이 변하더라도, 그 저주파 부공간(low-frequency subspace)은 전체 도메인 참조 연산자 $M_{\text{ref}}$의 저주파 부공간과 정렬되어 있습니다.

• 이는 코시 인터레이싱(Cauchy interlacing)(주부분 행렬에 대해) 및 Davis–Kahan sin $\Theta$ 정리(고유 공간 섭동에 대해)에 의해 뒷받받됩니다.
• 경험적 진단(주각, principal angles) 결과, 부공간 간의 최악의 각도는 $90^\circ$에 달할 수 있지만, 주요 디플레이션 모드(예: 상위 20개)에 대한 각도는 작게(예: $< 8.4^\circ$) 유지되어 디플레이션 기저가 효과적임을 보여줍니다.

4. 주요 기여

1. 재사용 가능한 스펙트럼 디플레이션 전략: 제한된 인스턴스 간에 스펙트럼 정보를 재사용하는 대신, 전체 도메인 참조 연산자에 기저를 고정하는 방식의 반복적 비활성 집합 솔브 방법.
2. 참조 연산자 관점: 전체 도메인 슈어 보충 행렬의 저주파 모드를 파라미터 의존적 비활성 집합으로 제한하는 프레임워크.
3. 스펙트럼 일관성 해석: 주부분 행렬 구조와 부공간 섭동에 기반한 방법의 효과를 설명하고, 주각 진단을 통해 검증함.
4. 실용적인 기저 구축: 조립 격자 전파, 해석적 모드, POD 강화, 리츠(Ritz) 안정화 및 명시적 조건수 안전 장치를 포함한 변형 모델 개발.

5. 수치 결과

방법론은 2D 및 3D의 확산, 대류-확산, 비선형 열, 결합 열전달을 포함한 15가지 벤치마크 구성과 시공간(space-time) 확장 모델에서 평가되었습니다.

반복 횟수 감소

• 정상 상태(Steady-State): 디플레이션은 콜드(cold) Jacobi 프리컨디셔닝된 CG에 비해 CG 반복 횟수를 55–98% 감소시켰습니다.
  • 3D 구성은 랭크 $r=500$에서 60–92%의 감소를 보였습니다.
  • 2D 구성은 높은 랭크에서의 조건수 문제로 인해 86–98%의 감소를 달성하기 위해 Ritz 재선택 또는 POD 병합이 필요했습니다.
• 시공간(Space-Time): 포물선형 문제의 경우, 크로네커 시간 기저(Kronecker temporal basis)는 **56–85%**의 반복 횟수 감소를 달성한 반면, 시간 불변(constant-in-time) 기저는 시간 역학을 포착하는 데 실패했습니다.

벽시계 시간 성능 (GPU vs. CPU)

• 하드웨어: GPU (NVIDIA H200/H100) vs. CPU (Intel Xeon/Azure).
• 가속도:
  • 3D: GPU 디플레이티드 CG는 $50^3$ 격자(125K DOF)에서 CPU 희소 직접 솔버보다 인스턴스당 591–973배 빠릅니다.
  • AMG와의 비교: AMG가 더 적은 반복 횟수를 요구함에도 불구하고, GPU 디플레이티드 CG는 (1) GPU에서의 낮은 반복 비용과 (2) AMG 계층을 매번 재구축해야 하는 특성 덕분에 CPU AMG-RS보다 13–18배 더 빠릅니다.
• 분할 상환(Amortization):
  • 미세 격자 고유값 계산을 사용할 경우, 작은 배치 크기에서는 오프라인 비용이 지배적입니다.
  • 조립 격자 전파 또는 해석적 모드를 사용하면 오프라인 비용이 극적으로 감소합니다.
  • 손익 분기점: 조립 격자 방법을 사용하면 4–32개의 인스턴스 내에서 CPU 직접 솔버 대비 분할 상환되는 속도를 얻습니다(차원에 따라 다름). 텐서 곱 격자에 대한 해석적 모드를 사용하면 첫 번째 인스턴스부터 손익 분기점에 도달합니다.

정확도

모든 디플레이티드 솔브는 규정된 크릴로프 허용 오차($10^{-10}$) 내에서 CPU 희소 직접 솔루션과 일치하였으며, 상대적 상태 오차는 콜드 CG와 유사했습니다(중앙값 $\sim 10^{-10}$). 속도 향상은 정확도 완화에 의한 것이 아닙니다.

6. 의의 및 주장

본 논문은 이 접근 방식이 하드웨어 독립적인 가속 척도(반복 횟수 감소)를 제공하며, GPU 배포 시 상당한 벽시계 시간 이득을 제공한다고 주장합니다.

• 상보성: 이 방법은 축소 차수 모델링(ROM)이나 DeepONet과 달리 최적 제어 솔루션을 대체하는 것이 아니라, 반복적인 고충실도 선형 대수를 가속화합니다. 즉, 이산 제약 최적화 시스템을 그대로 유지합니다.
• 강건성: 표준 크릴로프 재사용이 실패하는 시나리오인 활성 집합 업데이트로 인한 조합론적 변화에도 강건합니다.
• 확장성: 희소 행렬-벡터 곱과 작은 밀집 코스 솔브를 활용하므로 GPU 실행에 매우 적합합니다.
• 한계: 스펙트럼 일관성은 경험적으로 검증되었으나 모든 레짐에 대해 공식적으로 증명된 것은 아닙니다. 현재 방법은 해석적 모드를 위해 구조적 격자에 제한되며, 명시적 슈어 보충 행렬 조립에 의존하므로 테스트된 격자 크기는 약 125,000 DOF(정상 상태) 및 540,000 DOF(시공간)로 제한됩니다. $10^6$ 이상의 DOF로 확장하려면 행렬 프리(matrix-free) 고유값 솔버가 필요합니다.

저자들은 안정적인 참조 연산자에 디플레이션 기저를 고정함으로써, 파라미터 인스턴스 전반에 걸쳐 상태 제약 최적 제어 문제를 효과적으로 해결하고, 활성 집합 변화로 인한 휘발성을 극복할 수 있다고 결론짓습니다.