KL 최소화 기반 고차원 실험 설계 방법

** 본 연구는 복잡한 수치 시뮬레이션을 효율적으로 수행하기 위한 실험 설계(Design of Experiments, DoE) 문제에 새로운 관점을 제시한다. 전통적인 DoE는 설계점이 실험 영역 전체에 고르게 퍼지도록 하는 “space‑filling” 특성을 목표로 했으며, 이를 위해 라틴 하이퍼큐브(LHS), Sobol, Halton, maximin 거리 설계 등이 널리 사용되어 왔다. 그러나 이러한 방법들은 설계점들의 실제 분포가 균등분포와 얼마나 차이가 나는지를 직접 측정하거나 최소화하지 않는다. 논문은 이를 해결하기 위해 **Kullback‑Leibler(KL) 정보량**을 핵심 목표함수로 채택한다. 설계점들의 경험분포 \(\hat f_n\)와 목표인 균등분포 \(u\) 사이의 KL 정보는 \