베이지안 서브셋 시뮬레이션 작은 고장확률 추정을 위한 새로운 kriging 기반 알고리즘

초록

본 논문은 고가의 컴퓨터 시뮬레이션에서 발생하는 희소 고장확률을 효율적으로 추정하기 위해, 기존 서브셋 시뮬레이션과 베이지안 kriging(가우시안 프로세스) 모델을 결합한 베이지안 서브셋 시뮬레이션(BSS) 알고리즘을 제안한다. BSS는 단계별 서브셋을 정의하면서 각 단계에서 kriging 기반 서베이 모델을 이용해 샘플을 적응적으로 선택하고, 이를 통해 전체 시뮬레이션 횟수를 크게 감소시킨다. 실험 결과는 기존 방법 대비 정확도는 유지하면서 비용을 현저히 절감함을 보여준다.

상세 분석

베이지안 서브셋 시뮬레이션(BSS)은 두 가지 핵심 아이디어를 통합한다. 첫째, Au와 Beck가 제안한 서브셋 시뮬레이션(SS)은 전체 고장 영역을 여러 개의 중간 서브셋으로 분할하고, 각 서브셋을 마코프 체인 몬테카를로(MCMC) 방법으로 샘플링함으로써 희소 사건의 확률을 단계별 조건부 확률의 곱으로 추정한다. 이 과정은 고장 영역이 매우 작을 때도 비교적 적은 샘플로 정확한 추정이 가능하지만, 각 단계마다 실제 컴퓨터 모델을 직접 평가해야 하므로 전체 시뮬레이션 비용이 여전히 높다.

둘째, kriging(가우시안 프로세스) 기반 서베이 모델은 제한된 수의 실제 시뮬레이션 결과를 이용해 입력 공간 전반에 대한 응답 표면을 확률적으로 추정한다. 모델은 예측 평균과 예측 분산을 제공하므로, 불확실성이 큰 영역을 식별하고 그곳에 추가 샘플을 배치하는 ‘활성 학습(active learning)’이 가능하다.

BSS는 SS의 단계적 구조에 kriging 서베이를 삽입한다. 구체적으로, 초기 단계에서는 소수의 설계점으로 kriging 모델을 구축하고, 이 모델을 이용해 각 서브셋 경계(예: 고장 한계면)의 확률적 위치를 추정한다. 이후, 서브셋마다 MCMC 샘플을 생성하되, 실제 모델 평가 대신 kriging 예측값과 그 불확실성을 활용한다. 불확실성이 큰 샘플에 대해서만 실제 시뮬레이션을 수행해 모델을 갱신하고, 이를 반복함으로써 전체 시뮬레이션 횟수를 크게 절감한다.

알고리즘의 핵심 수식은 다음과 같다. 전체 고장 확률 (P_f)는
\