제약이 있는 라틴 하이퍼큐브 샘플링

초록

본 논문은 변수 간의 단조적 부등식 제약을 만족하도록 라틴 하이퍼큐브 샘플링(LHS)을 변형하는 알고리즘을 제안한다. 초기 LHS를 생성한 뒤, 제약을 만족하도록 행렬의 열을 순열(permutation)하는 방식으로 구현한다. 제안 기법(cLHS)은 기존 LHS의 균등성 및 공간 충족 특성을 유지하면서도 물리적 제약을 반영할 수 있다. 실제 용접 시뮬레이션 사례를 통해 온도에 따라 감소하는 물성치와 같은 부등식 제약을 성공적으로 적용함을 보인다.

상세 분석

라틴 하이퍼큐브 샘플링은 고차원 입력 공간을 효율적으로 탐색하기 위해 각 변수의 구간을 동일한 개수의 층으로 나누고, 각 층에서 하나씩 표본을 추출하는 방법이다. 이때 변수 간 독립성을 전제로 하여 무작위 순열을 수행하지만, 실제 공학 모델에서는 변수들 사이에 물리적·화학적 관계가 존재한다. 예를 들어 온도 상승에 따라 재료 강도가 감소하는 경우, 두 변수 사이에 “강도 ≤ 함수(온도)”와 같은 부등식 제약이 필요하다. 기존 LHS는 이러한 제약을 반영하지 못해 비현실적인 조합을 생성하거나, 사후 필터링 과정에서 표본 손실이 발생한다.

논문은 이러한 문제를 해결하기 위해 “제약 라틴 하이퍼큐브 샘플링(cLHS)”을 제안한다. 핵심 아이디어는 초기 LHS를 만든 뒤, 각 변수(열) 간의 부등식 관계를 만족하도록 열 내부의 원소들을 순열하는 것이다. 순열 과정은 다음과 같이 진행된다. 첫 번째 변수는 그대로 유지하고, 두 번째 변수는 첫 번째 변수와의 부등식(예: x₂ ≥ x₁)을 만족하도록 최소 교환 횟수로 재배열한다. 이후 변수 i는 이전 i‑1개의 변수와 모두 부등식 관계를 만족하도록 순차적으로 조정한다. 이때 전체 표본의 라틴 특성(각 열에 1~n이 한 번씩 나타남)을 보존하기 위해 ‘허용 교환 행렬’과 ‘우선순위 매트릭스’를 도입한다. 알고리즘은 그래프 이론의 매칭 문제와 유사하게 구현될 수 있어, 복잡도는 O(n·p·log n) 수준으로 실용적이다.

제안 방법의 장점은 크게 세 가지이다. 첫째, 기존 LHS의 균등 분포와 공간 충족 특성을 유지한다는 점이다. 순열은 동일한 값 집합 내에서만 이루어지므로 각 구간이 동일히 채워진다. 둘째, 부등식 제약을 정확히 만족한다는 점이다. 순열 과정에서 제약 위반이 발생하면 추가 교환을 수행하거나, 불가능한 경우 표본을 재생성한다. 셋째, 구현이 간단하고 기존 샘플링 파이프라인에 쉽게 통합될 수 있다.

실험에서는 용접 시뮬레이션 모델을 대상으로 온도(T)와 열전도도(k), 탄성계수(E) 사이의 “k는 T가 증가함에 따라 감소”, “E는 T가 증가함에 따라 감소”라는 두 개의 단조 감소 제약을 적용하였다. cLHS를 사용한 결과, 모든 표본이 물리적 제약을 만족하면서도 입력 공간을 고르게 커버했으며, 시뮬레이션 결과의 민감도 분석에서 기존 LHS 대비 더 일관된 추정치를 제공하였다. 또한, 제약을 무시한 경우 발생할 수 있는 비현실적 조합이 사라짐으로써 모델 수렴 속도와 예측 정확도가 향상되었다.

이와 같이 cLHS는 고비용 수치 모델링, 최적 설계, 불확실성 정량화 등 부등식 제약이 필수적인 분야에 유용한 도구가 될 것으로 기대된다. 향후 연구에서는 다중 부등식, 비선형 제약, 그리고 확률적 제약을 동시에 다루는 확장형 알고리즘 개발과, 대규모 샘플링에 대한 병렬 구현 방안이 제시될 수 있다.