물리 실험을 위한 순차 베이지안 실험 설계: 컴퓨터 모델 기반 예측 향상

1. 서론 물리 실험은 비용·시간이 많이 소요되고 재현이 어려운 경우가 많아, 제한된 실험 횟수로 최대 정보를 얻는 설계가 필수적이다. 컴퓨터 시뮬레이터는 이러한 실험을 보완하지만, 모델 불일치(discrepancy)와 파라미터 불확실성으로 인해 실제 현상을 완전히 대체하지 못한다. 케네디‑오해인(KOH) 모델은 시뮬레이터 출력, 모델 불일치, 관측 잡음을 모두 가우시안 프로세스(GP)로 모델링해 베이지안 추론을 가능하게 한다. 기존 연구들은 주로 파라미터 보정에 초점을 맞추었으며, 예측 정확도를 직접 목표로 하는 설계 기준은 드물다. 2. 관련 연구 및 KOH 모델 요약 KOH 모델은 yₚ = y_c(Xₚ,θ) + δ(Xₚ) + ε 형태로 물리 관측을 표현하고, 시뮬레이터 출력 yₛ = y_c(X_c,T)와 결합한다. 여기서 y_c와 δ는 각각 GP로 가정되며, 전체 데이터는 다변량 정규분포를 따른다. 기존 설계 기준으로는 IMSPE, D‑optimal, Maximin LHD 등이 있으며, 정보 이론 기반의 기대 정보 획득(EIG)도 연구되었지만 계산 비용이 높아 실용성이 떨어졌다. 3. 상호정보 기반 설계 기준 및 하이브리드 확장 저자는 기대 상호정보(I(θ,δ; y_new|D))를 근사한 MI 기준을 제안한다. 이는 새로운 실험 점 ξ를 선택했을 때 사후와 사전 분포 사이의 KL 발산을 기대값으로 계산한다. 이 기준은 파라미터와 불일치 모두에 대한 불확실성을 동시에 감소시키는 장점이 있다. 또한, 지역 모델 복잡도 C_loc(ξ) = tr(Σ_pred|D∪{ξ}) – tr(Σ_pred|D)와 같은 예측 분산 변화량을 가중치 α와 결합해 하이브리드 기준 J(ξ)=MI(ξ) – α·C_loc(ξ) 를 만든다. α는 탐색·활용 균형을 조절하는 하이퍼파라미터이며, 실험 단계별 교차 검증으로 자동 튜닝한다. 4. 계산 가속 전략 베이지안 업데이트와 MI 계산은 매 반복마다 고차원 적분과 대규모 공분산 행렬 연산을 요구한다. 이를 해결하기 위해 두 가지 전략을 도입한다. (1) Gaussian Mixture Compression (GMC): 사후 샘플을 가우시안 혼합 모델로 압축해, 사후 평균·공분산을 저차원 파라미터 집합으로 근사한다. (2) Schur Complement & Rank‑One Update: 새로운 관측이 추가될 때 전체 공분산 Σ를 직접 재계산하지 않고, 기존 Σ에 대한 Schur 보완과 rank‑one 수정으로 Σ⁻¹와 determinant를 효율적으로 업데이트한다. 이 두 기법을 결합하면, 매 설계 단계의 연산 복잡도가 O(N²)에서 O(N) 수준으로 감소한다. 5. 알고리즘 및 설계 전략 두 가지 순차 설계 시나리오를 제시한다. (a) 순차(offline) 설계(SDE): 사전 모델만 사용해 B번의 실험 점을 차례로 선택하고, 실제 실험은 마지막에 일괄 수행한다. (b) 적응형(online) 설계(ADE): 각 실험 후 즉시 관측을 받아 베이지안 업데이트를 수행하고, 다음 점을 선택한다. 두 경우 모두 Greedy 알고리즘을 적용해 서브모듈러성(근사) 가정을 이용, (1‑1/e)≈63%의 이론적 보장을 얻는다. 6. 실험 결과 합성 예제로 2차원 비선형 함수와 5차원 파라미터 공간을 사용했으며, 초기 불확실성이 큰 상황에서 MI‑하이브리드 기준이 3~4번의 실험만에 평균 제곱오차를 50% 이상 감소시켰다. 실제 사례로는 효소 반응 속도 데이터를 이용했으며, 총 20번의 실험 예산 하에 기존 IMSPE 기반 설계보다 15% 낮은 예측 RMSE와 20% 작은 예측 불확실성을 달성했다. 또한, 가속 전략을 적용한 경우 전체 실행 시간이 30배 이상 단축되었다. 7. 결론 및 향후 연구 본 논문은 베이지안 실험 설계에서 정보 이론적 MI 기준을 활용하고, 지역 모델 복잡도와 결합한 하이브리드 설계가 예측 성능을 크게 향상시킴을 실증하였다. 가우시안 혼합 압축과 Schur 보완·rank‑one 업데이트는 계산 비용을 실용적인 수준으로 낮추어, 실제 물리 실험에 적용 가능하게 만든다. 향후 다중 출력·다중 물리량을 동시에 다루는 확장, 그리고 딥러닝 기반 정책 네트워크를 이용한 전역 최적 설계 탐색이 기대된다.