최적 불확실성 정량화

초록

본 논문은 가정과 가용 정보에 기반해 불확실성에 대한 최적 상한을 구하는 프레임워크인 최적 불확실성 정량화(OUQ)를 제안한다. OUQ는 확률 실패율이나 편차를 극대·극소화하는 최적화 문제로 정의되며, 일반적인 상황에서도 유한 차원으로 축소될 수 있음을 보인다. 또한 Hoeffding·McDiarmid 유형의 최적 집중 부등식(OCI)을 도출하고, 계층 구조에서 불확실성 전파가 억제될 수 있음을 실증한다.

상세 요약

OUQ 프레임워크는 “가정·정보 집합 → 최적화 → 불확실성 상한”이라는 흐름을 명확히 함으로써 기존 UQ 방법이 내포할 수 있는 은밀한 가정들을 드러낸다. 핵심 아이디어는 모든 가능한 확률 모델을 ‘시나리오 집합’으로 정의하고, 이 집합에 부합하는 확률분포·전이함수들에 대해 목표 함수(예: 고장 확률, 출력 편차)의 최댓값·최솟값을 구하는 것이다. 이때 최적화 변수는 확률 측정 자체가 되며, 제약은 기대값, 분산, 독립성, 경계값 등 물리·통계적 정보로 표현된다.

수학적으로는 무한 차원의 선형/비선형 프로그램이지만, 저자들은 ‘극점 정리’를 이용해 최적해가 반드시 ‘극단적’ 확률분포(예: 두 점에 질량을 집중한 분포)에서 발생한다는 점을 증명한다. 따라서 실제 계산은 제한된 자유도(예: 몇 개의 질량점 위치와 가중치)만을 다루면 된다. 이 유한 차원 축소는 ‘지원 집합’이 제한된 경우와 ‘교차 모멘트’ 제약이 있을 때도 적용 가능하며, 일반적인 Hoeffding·McDiarmid 부등식의 가정(독립성·경계조건)을 완화한 형태의 최적 집중 부등식(OCI)을 도출한다.

특히 흥미로운 점은 입력 파라미터의 불확실성이 전이 함수 자체가 불완전하게 알려졌을 때는 출력 불확실성에 전혀 영향을 미치지 않을 수 있다는 역설적 현상이다. 이는 계층적 모델(예: 미시·거시 스케일 연결)에서 하위 레벨의 불확실성이 상위 레벨에 ‘전파되지 않음’으로써 모델링·시뮬레이션 비용을 크게 절감할 수 있음을 시사한다.

알고리즘적 구현 측면에서는 샘플링·볼록 최적화, SDP(Semidefinite Programming)와 같은 현대 최적화 기법을 활용해 실제 대규모 공학 문제에 적용한다. 저자들은 고속 충격 모델과 지진 안전성 평가 두 사례에서 OUQ가 기존 보수적 추정보다 훨씬 타이트한 신뢰구간을 제공하면서도 계산량은 합리적인 수준임을 실증한다.

전반적으로 OUQ는 불확실성 정량화의 ‘가정 명시·최적화 기반’ 접근법을 제시함으로써, 불확실성 전파의 한계를 명확히 하고, 정보가 부족한 상황에서도 최적의 보수적 추정을 가능하게 하는 이론적·실용적 기여를 한다.