복합 스펙트럼 분석 알고리즘의 R 구현

초록

본 논문은 동일한 형태를 가진 다중 피크로 구성된 복합 스펙트럼을, 피크 개수를 사전에 알 수 없는 상황에서 비선형 최소제곱법을 이용해 분해하는 알고리즘을 R 언어로 구현한 내용을 제시한다. 모델 적합 후에는 잔차의 정규성, 평균값 영점성, 자기상관 및 분산 동등성을 검증하는 일련의 통계적 적합도 검정을 적용한다.

상세 분석

이 연구는 복합 스펙트럼을 구성하는 개별 피크가 동일한 수학적 형태(예: 가우시안, 로렌츠, 혹은 비대칭 피크)를 갖는다는 전제 하에, 피크의 개수가 사전에 정의되지 않은 경우에도 자동으로 최적의 피크 수와 파라미터를 추정할 수 있는 프레임워크를 제시한다. 핵심은 비선형 최소제곱(Non‑Linear Least Squares, NLLS) 최적화 과정에서 피크 수를 변수로 두고, 초기값을 여러 단계에 걸쳐 점진적으로 늘려가며 전역 최소점을 탐색하는 전략이다. 이를 위해 R의 ‘nls’, ‘minpack.lm’ 패키지를 활용해 Levenberg‑Marquardt 알고리즘을 구현하고, 파라미터 경계조건과 정규화 기법을 도입해 수렴 안정성을 확보한다.

모델 적합 후에는 잔차 분석을 통해 과적합이나 모델 불일치를 검증한다. 구체적으로는 (1) 잔차의 정규성 검정을 위해 Shapiro‑Wilk 혹은 Anderson‑Darling 검정을 수행하고, (2) 잔차 평균이 0에 가까운지 t‑검정으로 확인하며, (3) Ljung‑Box 검정을 이용해 잔차의 자기상관을 탐지한다. 또한, 실험 데이터와 모델 잔차의 분산이 동일한지를 검증하기 위해 F‑검정 혹은 Bartlett 검정을 적용한다. 이러한 다중 검정 절차는 각각의 p‑값을 종합해 모델의 전반적 적합성을 판단하는 기준을 제공한다.

소프트웨어 구현 측면에서는 함수형 프로그래밍 스타일을 채택해 사용자가 피크 형태, 초기 파라미터 범위, 검정 기준 등을 자유롭게 지정할 수 있도록 설계하였다. 결과물은 R 객체 형태로 반환되며, 피크별 파라미터, 전체 모델의 적합도 지표(AIC, BIC), 그리고 잔차 검정 결과를 포함한다. 또한, 시각화 모듈을 통해 원본 스펙트럼, 모델 추정 스펙트럼, 그리고 잔차 분포를 한 화면에 겹쳐 보여줌으로써 사용자가 직관적으로 결과를 해석할 수 있게 한다.

실험에서는 합성 데이터와 실제 물리·화학 실험 데이터를 대상으로 알고리즘을 검증하였다. 합성 데이터에서는 피크 수와 파라미터를 정확히 복원했으며, 실제 데이터에서는 기존 전통적 피크 피팅 방법에 비해 잔차 정규성 및 자기상관 측면에서 유의미하게 개선된 결과를 보였다. 특히, 피크 수를 자동 추정하는 과정에서 AIC/BIC 기반 모델 선택이 과적합을 방지하고, 검정 절차가 모델 신뢰성을 높이는 데 기여함을 확인하였다.

전반적으로 이 논문은 복합 스펙트럼 분석에 필요한 전처리·모델링·검증·시각화 전 과정을 하나의 R 패키지로 통합함으로써, 실험 과학자들이 복잡한 스펙트럼 데이터를 효율적으로 해석할 수 있는 실용적인 도구를 제공한다는 점에서 의의가 크다. 다만, 비선형 최적화의 지역 최소 문제와 초기값 선택에 대한 민감도가 여전히 존재하므로, 향후 연구에서는 전역 최적화 기법(예: 유전 알고리즘, 베이지안 최적화)과 머신러닝 기반 피크 형태 자동 인식 모듈을 결합하는 방안을 모색할 필요가 있다.