전체밀도 기반 무작위 반복 방정식 시뮬레이션 프레임워크

본 논문은 무작위 반복 방정식(Random Iteration Equation, RIE)의 상태벡터 전체 확률밀도를 단계별로 전파하는 통합 계산 프레임워크를 제안한다. RIE는 전이함수 T 가 상태 xₙ 과 무작위 파라미터 Cₙ 을 입력으로 받아 다음 상태 xₙ₊₁ 을 생성하는 형태이며, 전통적인 시뮬레이션은 각 경로를 독립적으로 샘플링해 통계적 히스토그램을 구축하는 방식에 의존한다. 저자는 이러한 경로별 Monte Carlo 방식을 탈피하여, 각 반복 단계에서 이전 단계의 밀도 fₓ(ₙ) 와 파라미터 밀도 f_C 를 결합해 새로운 밀도 fₓ(ₙ₊₁) 를 직접 계산하는 방법을 제시한다. 방법론은 먼저 RIE를 정적 무작위 방정식 형태 M(x;A)=B 로 변형한다. 여기서 A 는 이전 상태와 파라미터의 결합 벡터, B 는 전이함수와의 차이(즉, xₙ₊₁−T(xₙ,Cₙ) )로 정의된다. 이를 통해 사후밀도 πₓ(ₙ₊₁) 는 식 (5) 에 나타난 합성 확률밀도 Lₓ(ₙ₊₁)(0|x) 에 비례하게 된다. 실제 계산에서는 Monte Carlo 적분을 이용해 P 개의 샘플을 추출하고, 수용‑거부(accept‑reject) 방법으로 πₓ(ₙ) 에서 샘플을 얻는다. 파라미터 Cₙ 은 라틴 하이퍼큐브 등 표준 샘플링 기법으로 미리 생성한다. 이렇게 얻은 샘플들을 전이함수 T 에 대입해 식 (7) 의 근사값을 구하고, 전체밀도를 격자에 매핑한 뒤 정규화한다. 이 과정을 반복함으로써, 원하는 반복 횟수 혹은 수렴 기준에 도달할 때까지 전체밀도가 점진적으로 진화한다. 프레임워크의 일반성은 전이함수 T 가 비선형, 불연속, 비표준 확률분포, 혹은 확산 과정까지 포함할 수 있다는 점에 있다. 구체적인 적용 사례로는 다음과 같다. 1. **동역학 시스템 시뮬레이션**: 일반적인 ODE \(\dot{x}=F(t,x,C)\) 를 Euler 이산화하여 xₙ₊₁ = xₙ + Δt·F(tₙ,xₙ,Cₙ) 형식의 RIE로 변환한다. 또한, 확률 미분 방정식(SDE) \(\mathrm{d}x=F\,\mathrm{d}t+B\,\mathrm{d}W\) 를 Euler‑Maruyama 방식으로 이산화해 전이함수에 확산 계수와 Wiener 증분을 포함시킨다. 이를 통해 Ornstein‑Uhlenbeck 과정 등 연속‑시간 확산 과정의 전체밀도 진화를 직접 관찰한다. 2. **전체밀도 경사하강법(FDGD)**: 전통적인 경사하강법 xₙ₊₁ = xₙ − η∇F(xₙ) 에 무작위 파라미터 Cₙ 와/또는 목표함수 F 의 확률성을 도입한다. 세 가지 변형(FDGD‑I, II, III)에서는 (i) 목표함수 자체가 무작위, (ii) 학습률이 무작위, (iii) 목표함수와 학습률 모두 무작위인 경우를 다룬다. 전체밀도 전파를 통해 최적점 주변의 확률분포를 얻으며, 이는 불확실성 하에서 전역 최적화를 수행할 때 유용한 정보를 제공한다. 3. **혼돈 지도**: Ikeda 지도와 Lozi 지도와 같은 비선형 혼돈 시스템을 무작위 파라미터와 결합해 RIE 형태로 만든 뒤, 전체밀도 전파를 적용한다. 결과적으로 전통적인 궤적 시뮬레이션이 제공하지 못하는 확률적 스트레인지 어트랙터의 밀도 분포를 시각화한다. 논의에서는 이 접근법이 Perron‑Frobenius 연산자 기반의 정적 밀도 해법이나 Fokker‑Planck 방정식 해법과는 달리, 전이 과정 자체를 직접 시뮬레이션함으로써 일시적(transient) 동역학까지 포괄한다는 점을 강조한다. 또한, 경로별 Monte Carlo와는 달리 전체밀도 자체를 전파하므로, 동일한 샘플 수에서도 더 풍부한 정보를 얻을 수 있다. 다만, 수렴성 이론이 부재하고 차원 저주에 취약할 수 있다는 한계도 명시한다. 부록에서는 2차원 Ornstein‑Uhlenbeck SDE에 대한 수치 검증을 제공해, 제안된 프레임워크가 알려진 해와 일치함을 확인한다. 전체적으로, 이 논문은 무작위 반복 방정식의 전반적인 확률밀도 전파를 실용적인 Monte Carlo 기반 알고리즘으로 구현함으로써, 동역학 시뮬레이션, 불확실성 최적화, 혼돈 분석 등 다양한 분야에 적용 가능한 범용 도구를 제시한다.