비선형 제어 시스템의 균형 차원 축소와 재생 커널 힐베르트 공간

초록

본 논문은 비선형 제어 시스템을 고차원 특성 공간으로 사상한 뒤, 그 공간에서 선형 균형 절단을 암묵적으로 수행하는 데이터 기반 차원 축소 기법을 제안한다. 재생 커널 힐베르트 공간(RKHS)을 이용해 축소된 비선형 동역학 모델을 구성하고, 입력‑출력 특성을 유지하는 저차 시스템을 얻는다. 시뮬레이션을 통해 방법의 유효성을 검증한다.

상세 분석

이 연구는 비선형 제어 시스템을 직접 선형화하거나 지역 근사에 의존하는 전통적 방법과 달리, 시스템을 무한 차원의 재생 커널 힐베르트 공간(RKHS)으로 “리프트(lift)”함으로써 선형 구조를 회복한다는 혁신적인 아이디어를 제시한다. 핵심 가정은 원래 비선형 시스템이 적절히 선택된 커널 함수에 의해 정의된 특징 맵 φ(x) 를 통해 고차원 공간에 투사될 때, 그 동역학이 선형 시스템과 유사하게 행동한다는 점이다. 이 가정 하에, 기존 선형 시스템 이론에서 핵심적인 균형 트렁케이션(balanced truncation) 절차를 RKHS 내에서 암묵적으로 수행한다. 구체적으로, 입력 에너지와 출력 에너지(그람 행렬)를 커널 기반의 공분산 연산을 통해 추정하고, 이 두 그람 행렬을 동시에 대각화하는 변환을 구한다. 변환 행렬의 주된 특이값(히어라키컬 스케일)은 시스템의 가장 에너지‑중요한 모드와 덜 중요한 모드를 구분하는 기준이 된다.

다음 단계에서는 이러한 변환을 이용해 비선형 축소 사상 ψ: ℝⁿ → ℝ^r (r « n)을 정의한다. ψ는 원래 상태 x 를 고차원 특징 φ(x) 로 매핑한 뒤, 균형 변환 행렬의 상위 r개의 좌표를 추출하는 과정을 포함한다. 중요한 점은 ψ가 명시적인 형태를 갖지 않으며, 커널 함수를 통해 내적 연산만으로 구현 가능하다는 것이다. 따라서 실제 구현에서는 “커널 트릭”을 활용해 고차원 연산을 저차원에서 수행한다.

축소된 상태 z = ψ(x) 에 대해, 원래 비선형 동역학 ẋ = f(x) + g(x)u 를 RKHS 내에서 선형 근사 ẋ̃ = Ã φ(x) + B̃ u 로 표현하고, 이를 다시 ψ에 투사하여 reduced-order dynamics ẋ_r = A_r z + B_r u 를 얻는다. 여기서 A_r, B_r 은 커널 기반의 최소제곱 추정 또는 서포트 벡터 회귀와 같은 데이터‑드리븐 방법으로 학습된다. 출력 y = h(x) 역시 동일한 커널 매핑을 통해 y = C_r z 로 근사된다.

이 접근법의 장점은 다음과 같다. 첫째, 비선형성을 전역적으로 다루면서도 선형 시스템 이론의 강력한 도구(예: H₂/H_∞ 해석, 안정성 보장)를 그대로 적용할 수 있다. 둘째, 데이터‑드리븐 특성상 모델 파라미터에 대한 정확한 수학적 표현이 필요 없으며, 실험 데이터만으로도 충분히 학습이 가능하다. 셋째, 커널 선택에 따라 다양한 비선형 특성을 포착할 수 있어, 다중 스케일 혹은 비정상적인 동작을 가진 시스템에도 유연하게 적용할 수 있다.

하지만 몇 가지 한계도 존재한다. 고차원 커널 매핑은 계산 복잡도를 급격히 증가시킬 수 있으며, 특히 대규모 데이터셋에서는 커널 행렬의 저장·연산 비용이 병목이 된다. 이를 완화하기 위해 저랭크 근사, 랜덤 피처, 혹은 Nystrom 방법과 같은 커널 근사 기법이 필요하다. 또한, 균형 트렁케이션이 암묵적으로 수행된다는 점은 실제 변환 행렬을 명시적으로 구하지 못해, 시스템 해석 및 설계 단계에서 직관적인 물리적 해석이 어려울 수 있다. 마지막으로, 커널 함수와 하이퍼파라미터 선택이 결과에 큰 영향을 미치므로, 적절한 교차 검증 및 모델 선택 절차가 필수적이다.

전반적으로 이 논문은 머신러닝의 커널 방법과 제어 이론의 균형 차원 축소를 융합함으로써, 비선형 시스템의 효율적이고 정확한 저차 모델링에 새로운 길을 제시한다.