확률적 고장 추정 위한 순차 실험 설계

초록

본 논문은 고가의 시뮬레이션 모델을 가진 시스템에서 고장 확률(함수 f가 임계값을 초과하는 영역의 부피)을 효율적으로 추정하기 위한 순차 실험 설계 방법을 제안한다. 베이지안 프레임워크 하에 가우시안 프로세스(GP)를 사전 모델로 사용하고, 단계별 불확실성 감소(SUR) 기준을 통해 다음 평가점을 선택한다. 제안된 SUR 전략은 기존의 기대 개선(EI)·최대 변동성 등과 비교해 제한된 예산 하에서 더 정확한 고장 확률 추정을 제공한다는 실험 결과를 제시한다.

상세 분석

이 연구는 고장 확률 추정이라는 특수한 형태의 면적(부피) 추정 문제를 베이지안 최적화와 순차 설계 이론을 결합해 다루었다. 먼저, 입력 변수 x ∈ ℝᵈ에 대한 확률 측도 μ 가 사전에 알려져 있다고 가정하고, 관심 대상은 α = ∫𝟙_{f(x)≥u} dμ(x) 라는 확률, 즉 임계값 u 이상의 초과 영역의 μ‑측도이다. 직접적인 몬테카를로 추정은 시뮬레이션 비용이 높아 실용적이지 않으므로, 함수 f 에 대한 사전 지식으로 가우시안 프로세스(GP)를 채택한다. GP는 평균 m(x)와 공분산 k(x,x′) 으로 정의되며, 관측 데이터 Dₙ = {(x_i, y_i)}_{i=1}ⁿ을 통해 사후 분포가 갱신된다.

핵심 기여는 “Stepwise Uncertainty Reduction”(SUR) 기준을 고장 확률 추정에 맞게 변형한 점이다. SUR는 현재 추정치 α̂ₙ 의 불확실성을 정량화하는 손실 함수 Lₙ = Var(α|Dₙ) 또는 엔트로피와 같은 정보를 사용한다. 새로운 평가점 x_{n+1} 을 선택할 때, 기대되는 불확실성 감소 ΔL(x)=Lₙ−E_{Y_{n+1}|x,Dₙ}