Adaptive Stability-Constrained Neural Differential Equations for Controlled Dynamical Systems with Unknown Inputs

당신이 로봇에게 몇 가지 특정 도로를 주행하는 모습을 보여주며 자동차 운전하는 법을 가르치려 한다고 상상해 보십시오. 당신은 로봇에게 빨간불에서 좌회전하는 법과 직선 도로에서 속도를 높이는 법을 보여줍니다. 하지만 바람이 예상보다 강하게 불거나 운전자가 갑자기 브레이크를 밟는 실제 세상으로 그 로봇을 내보낸다면 어떻게 될까요? 인공지능의 세계에서 이것은 '패턴을 학습하는 것'과 '법칙을 학습하는 것'의 차이입니다. 과학자들은 뉴럴 오디너리 디퍼런셜 이퀘이션(Neural Ordinary Differential Equations, Neural ODEs)이라는 도구를 사용하여 컴퓨터에게 진자가 흔들리거나 모터가 회전하는 것처럼 시간이 흐름에 따라 사물이 어떻게 움직이는지에 대한 규칙을 가르칩니다. 이 모델들은 본 것을 흉내 내는 데는 뛰어나지만, 상황이 약간만 변해도 종종 무너집니다. 만약 로봇이 맑은 날의 운전만을 배웠다면, 비가 지면의 접지력에 미치는 물리적 법칙을 배운 것이 아니라 단지 맑은 날을 암기한 것이기에 비 오는 날에는 충돌할 수도 있습니다. 엔지니어들의 큰 과제는 입력값(예: 바람이나 운전자의 명령)이 연습했던 것과 다를 때도 어떻게 안정적이고 안전하게 유지되는 학습 시스템을 구축하느냐 하는 것입니다.

이 논문은 바로 그 문제를 해결하기 위해 **적응형 안정성 제약 뉴럴 디퍼런셜 이퀘이션(Adaptive Stability-Constrained Neural Differential Equations, AS-NDE)**이라는 새로운 방법을 소개합니다. 이 AI 모델을 게임의 규칙을 배우려는 학생이라고 생각해 보십시오. 보통 학생은 단순히 다음 수를 맞히려고 노력합니다. 만약 아주 작은 실수를 한다면, 그 실수는 게임이 진행됨에 따라 거대한 재앙으로 커질 수 있습니다. 저자는 학생이 단순히 움직임을 배우는 것이 아니라, 현재 상황에 따라 변하는 특별한 '안전 지도'(리만 계량, Riemannian metric이라 불림)를 함께 배우는 새로운 훈련 방식을 제안합니다. 이 지도는 예측이 올바른 경로에서 벗어나기 시작할 때마다 학생을 다시 올바른 경로로 끌어당기는 고무줄 역할을 합니다. 결정적으로, 이 안전 지도는 고정되어 있지 않습니다. 이는 마치 운전자가 도로가 미끄러워질 때 핸들을 조절하는 것처럼, 사용되는 제어 방식에 따라 실시간으로 적응합니다.

논문은 이 적응형 지도를 사용함으로써, 두 개의 서로 다른 경로(예: 약간의 바람이나 운전자의 입력 차이가 있지만 같은 경로를 주행하는 두 대의 자동차)가 서로 가까운 상태를 유지할 수 있음을 보여줍니다. 저자는 입력값의 차이가 매우 크지 않는 한, 두 경로 사이의 거리가 시간이 지남에 따라 기하급급수적으로 줄어든다는 수학적 규칙을 도출했습니다. 그러나 매우 중요한 주의 사항이 있습니다. 이 논문의 숫자와 그래프는 실제 완료된 실험의 결과가 아닙니다. 저자는 이것이 "예시용 합성 플레이스홀더(illustrative synthetic placeholders)"를 포함한 "초안(draft)"임을 명시적으로 밝히고 있습니다. 그들은 이론과 테스트 방법론을 구축했지만, 아직 실제 데이터로 전체 테스트를 수행하지는 않았습니다. 그림에서 볼 수 있는 곡선들은 결과가 어떠할 수 있는지를 보여주기 위한 대역일 뿐입니다.

이것이 어떻게 작동하는지 이해하기 위해, 당신이 개를 목줄에 묶어 산책하고 있다고 상상해 보십시오. 표준적인 AI 모델에서 목줄은 딱딱한 막대기와 같습니다. 만약 개(예측)가 조금이라도 옆으로 벗어나면, 막대는 그것을 교정하기에 충분히 휘어지지 않아 개는 멀리 달아나 버립니다. AS-NDE 모델에서 목줄은 똑똑하고 신축성 있는 번지 코드와 같아서, 개가 얼마나 빨리 달리는지 그리고 바람이 어디서 부는지에 따라 더 팽팽해지거나 느슨해집니다. 이 '적응형 계량'은 그 번지 코드의 두뇌입니다. 그것은 개를 가까이 유지하기 위해 얼마나 많은 장력이 필요한지를 끊임없이 계산합니다. 논문은 만약 이 똑똑한 번지 코드를 사용한다면, 여러분 둘이 갑작스러운 돌풍을 맞더라도 바람이 코드가 감당할 수 있는 수준보다 강하지 않은 한, 개가 당신 곁에 머물 것임을 수학적으로 증명합니다.

저자는 이 아이디어가 어떻게 작동할지를 보여주기 위해 두 가지 가상의 시나리오로 테스트를 진행했습니다. 첫 번째는 잡아당길수록 더 뻣뻣해지는 스프링과 같은 클래식한 물리 문제인 '더핑 진동자(Duffing oscillator)'였습니다. 두 번째는 '영구자석 동기 모터(PMSM)'로, 이는 고성능 전기 자동차나 로봇에 사용되는 종류의 전기 모터입니다. 시뮬레이션 예시에서 새로운 AS-NDE 방식은 기존 방식에 비해 훨씬 적은 오류와 적은 '안정성 위반'(안전 지도가 실패하는 순간)을 보여주었습니다. 예를 들어, 플레이스홀더 데이터에서 새로운 방식의 '위반율'은 2.0%에 불과했던 반면, 표준 방식은 61.0%였습니다. 하지만 이 숫자들은 개념이 작동함을 증명하기 위해 설계된 시뮬레이션의 숫자임을 기억하십시오.

논문은 자신이 주장하는 바가 아닌 것에 대해서도 매우 신중하게 언급하고 있습니다. 이 논문은 세상의 모든 물리적 시스템을 제어하는 문제를 해결했다고 주장하는 것이 아닙니다. 또한 이 방법이 아직 실제 하드웨어에서 완벽하게 작동한다고 주장하는 것도 아닙니다. 실제로 저자는 시뮬레이션이 너무 완벽하면 실제 세상의 무질서한 환경보다 결과가 더 좋게 보일 수 있다는 점을 경고하며 여러 가지 '타당성 위협(threats to validity)'을 나열했습니다. 저자는 자신들이 만든 '안전 인증서'가 모델의 행동에 대한 약속이지, 모델이 실제 기계와 완벽하게 일치한다는 것이 증명되지 않는 한 실제 물리적 기계에 대한 보증은 아니라고 강조합니다.

결국, 이 논문은 하나의 청사진입니다. 이는 AI 모델을 수학적으로 안정적이고 알려지지 않은 방해 요소에 대해 견고하게 훈련시키는 엄격하고 재현 가능한 방법을 제시합니다. 이는 딥러닝의 유연성과 제어 이론의 안전성을 결합한 것입니다. 저자는 요리가 어떤 맛이 나야 하는지를 보여주기 위해 "레시피"(수학, 훈련 단계, 테스트 프로토콜)와 "가짜 식재료"(합성 데이터)를 제공했습니다. 다음 단계는, 저자가 명확히 필요하다고 밝힌 것처럼, 실제로 요리를 하는 것입니다. 즉, 실제 데이터로 이러한 테스트를 실행하고, 플레이스홀더 숫자를 실제 측정값으로 대체하여, AS-NDE 모델이 예상치 못한 상황이 발생했을 때 로봇이나 모터를 진정으로 안전하게 지킬 수 있는지 확인하는 것입니다. 그때까지 이 논문은 기술적으로 일관되고 유망한 출발점으로 남아 있으며, 그 가치를 입증할 실제 세계의 실험을 기다리고 있습니다.