기술 요약: 효율적인 파괴 확률 추정을 위한 국소 가우시안 프로세스 기반 능동 학습 방법

1. 문제 정의

신뢰성 분석은 공학 설계 및 안전 평가에 있어 매우 중요하지만, 복잡한 시스템의 파괴 확률을 추정할 때 상당한 어려움에 직면한다. 많은 실제 시나리오에서 한계 상태 함수 $g(x)$는 계산 비용이 많이 드는 수치 시뮬레이션(예: 유한 요소 해석)에 의존하며, 시스템 응답은 비정상성(non-stationarity) 또는 국소적으로 강한 비선형성을 나타내는 경우가 많다.

전통적인 방법들은 효율성과 정확도 사이의 균형을 맞추는 데 어려움을 겪는다:

• 점근적 근사법(예: FORM/SORM)은 다수의 최확점(most probable points)이 존재하거나 강한 비선형성이 있는 경우 정확도가 떨어질 수 있다.
• 모멘트 기반 방법은 부적절한 역문제(ill-posed inverse problems)와 분포 편향 문제를 겪는다.
• 확률적 시뮬레이션 방법(예: 몬테카를로 시뮬레이션)은 견고하지만 희귀 사건(rare events)에 대해 수렴 속도가 느리며, 고비용의 모델 평가를 요구하는 과도한 횟수의 샘플링이 필요하다.

대리 모델(예: 전역 가우시안 프로세스 회귀)이 비용 절감을 위해 채택되어 왔으나, 이는 공분산 행렬 역전의 $O(n^3)$ 복잡도와 국소적 예측 정확도 저하로 인해 고차원 또는 비정상성 문제에서 확장성 문제를 겪는다. 또한, 표준 능동 학습 전략은 종종 실패 경계에서 멀리 떨어진 중복된 샘플을 생성하여 계산 자원을 낭비한다.

2. 방법론

본 논문은 **국소 가우시안 프로세스(Local Gaussian Processes, LGP)**와 새로운 능동 학습(Active Learning) 전략을 결합한 능동 학습 신뢰성 분석 방법인 LGP-AL을 제안한다.

2.1 국소 가우시안 프로세스 (LGP) 대리 모델

단일 전역 모델을 구축하는 대신, 이 방법은 K-평균 클러스터링을 사용하여 훈련 데이터셋을 $m$개의 별도 하위 영역으로 분할한다. 각 하위 영역 내에 독립적인 가우시안 프로세스 회귀(GPR) 하위 모델을 구축한다.

• 가정: 전역 정체성(stationarity) 가정을 **국소 정체성(local stationarity)**으로 대체하여, 모델이 비정상적 응답과 강한 국소 비선형성을 더 잘 포착할 수 있도록 한다.
• 확장성: 전역 문제를 $m$개의 균형 잡힌 국소 부분 집합으로 분해함으로써, 훈련 복잡도를 $O(n^3)$에서 약 $O(n^3/m^2)$로 줄인다.
• 안정성: 빈번한 재분할로 인한 불안정성을 방-지하기 위해 **분할 구조 상속 메커니즘(partition structure inheritance mechanism)**을 사용한다. 파괴 확률 추정치의 상대적 변화가 규정된 임계값을 초과할 때만 재클러스터링이 수행되며, 그렇지 않으면 근접 이웃 규칙을 통해 새로운 샘样本이 기존 집합에 할당된다.

2.2 능동 학습 전략 (UBAF)

순차적 샘플링 과정을 유도하기 위해, 저자들은 결합 획득 함수인 **불확실성-경계 획득 함수(Uncertainty-Boundary Acquisition Function, UBAF)**를 구성한다. 이 함수는 두 가지 기준을 결합한다:

1. 상한 후험 분산 기여도 (Upper-Bound Posterior Variance Contribution, UPVC): 파괴 확률의 후험 분산 상한에서 유도되었으며, 이 지표는 각 입력 점이 파괴 확률 추정치의 전역 불확실성에 기여하는 정도를 정량화한다. 이는 **전역 탐색(global exploration)**을 유도한다.
2. 경계 근접도 (Boundary Proximity Degree, BPD): $-|u_i|$ (여기서 $u_i$는 후험 평균)로 정의되며, 후보 점과 추정된 실패 경계 사이의 거리를 측정한다. 이는 **국소 정밀화(local refinement)**를 유도한다.

UBAF는 다음과 같은 가중 합으로 공식화된다:
$$UBAF(x) = (1 - w) \cdot \widehat{UPVC}(x) + w \cdot \widetilde{BPD}(x)$$
여기서 $w$는 반복 횟수가 증가함에 따라 증가하는 적응형 가중치이다. 이는 샘플링 전략이 초기 반복 단계의 전역 불확실성 중심 탐색에서 후기 단계의 경계 중심 정밀화로 전환되도록 보장한다. 조기 클러스터링을 방지하기 위해 BPD의 가중치는 0.5로 제한된다.

2.3 고차원 확장

고차원 입력을 위해, 이 방법은 **활성 부공간 방법(Active Subspace Method)**을 통합한다. 이 차원 축소 기술은 모델 응답의 그래디언트를 기반으로 고차원 입력 공간을 저차원 활성 부공간으로 투영하여, 지배적인 입력-출력 관계를 보존하면서 LGP 프레임워크를 위한 차원을 축소한다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 설명한다:

1. 국소 모델링 프레임워크: 훈련 세트를 분할하여 국소 가우시안 프로세스 모델을 구축함으로써, 전역 정체성을 국소 정체성으로 대체하여 비정상적 구조를 더 잘 포착하는 동시에 커널 행렬 역전 비용을 크게 줄인다.
2. 새로운 능동 학습 기준: 후험 분산의 상한과 실패 경계 근접성을 결합한 샘플링 기준(UBAF)을 공식화한다. 이를 통해 샘플을 높은 불확실성 및 경계 근처 지역으로 유도하여 한계 상태 함수의 부호 판별 능력을 향상시킨다.
3. 차원 축소 통합: 고차원 설정에서 안정적인 근사를 유지하기 위해 활성 부공간 방법을 결$합하여 LGP 프레임워크의 확장성을 높인다.

4. 수치 결과

본 방법은 등확률 등고선 문제, 4-브랜치 시스템, 철근 콘크리트 보 세그먼트, 브래킷 모델, 고차원 선형 문제 등 5가지 수치 예제를 통해 검증되었다.

• 효율성: 모든 예제에서 LGP-AL은 전역 가우시안 프로세스 기반 능동 학습(GP-AL)에 비해 현저히 감소된 훈련 시간을 보여주었다. 예를 들어, 4-브랜치 시스템에서 LGP-AL은 훈련 시간을 약 63% 단축했다 (8.9분 vs 19.4분). 철근 콘크리트 보 예제에서 GP-AL은 실패 영역을 식별하지 못했으나(확률 0 추정), LGP-AL은 $1.90 \times 10^{-2}$의 상대 오차를 달성했다.
• 정확도: 제안된 방법은 높은 추정 정확도를 유지했다. 4-브랜치 시스템에서 LGP-AL은 GP-AL의 $2.58 \times 10^{-1}$ 대비 $1.12 \times 10^{-2}$의 상대 오차를 달성했다.
• 샘플링 전략: 비교 결과, UBAF 전략은 라틴 하이퍼큐브 샘플링(LHS) 및 UPVC만을 사용하는 전략보다 우수함을 보였다. UBAF는 샘플을 실패 경계 근처에 효과적으로 집중시켜 더 빠른 수렴과 더 낮은 상대 오차를 이끌어냈다.
• 고차원 성능: 고차원 선형 문제(차원 $d=100, 500, 1000$)에서 활성 부공간과 LGP의 결합은 훈련 시간이 29초에서 35초 사이인 범위 내에서 상대 오차를 $10^{-1}$ 이내로 유지하며, 차원 증가에 대한 견고성을 입증했다.

5. 의의 및 주장

본 논문은 제안된 LGP-AL 방법이 복잡한 공학 시스템의 파괴 확률 추정을 위한 견고하고 확장 가능한 솔루션을 제공한다고 주장한다. 그 의의는 다음과 같다:

• 계산 부담 감소: 전역 문제를 분해하고 국소 정체성을 활용함으로써, 모델 훈련 및 공분산 행렬 역전의 계산 비용을 크게 낮춘다.
• 샘플링 효율성 개선: 적응형 UBAF 기준은 값비싼 한계 상태 함수 평가를 중요한 영역(높은 불확실성 및 실패 경계 근처)에 집중시켜 중복 샘플링을 최소화한다.
• 복잡성 처리: 이 방법은 비정상적 응답, 강한 국소 비선형성 및 고차원 입력이 제기하는 문제를 효과적으로 해결한다.

저자들은 극도로 작은 파괴 확률이나 초고차원 시스템이 포함된 시나리오에서는 여전히 계산적 어려움에 직면할 수 있음을 언급하며 겸허히 한계를 인정하였다. 이들은 향-후 연구에서 확장성과 수렴성을 더욱 향상시키기 위해 저계수 행렬 근사(low-rank matrix approximations), 유도 점 희소화(inducing point sparsification) 및 다중 충실도 모델링(multi-fidelity modeling)을 포함할 수 있다고 제안하였다.