고차원 공정 변동을 위한 텐서 복구 기반 빅데이터 불확실성 정량화

초록

본 논문은 수백 개의 공정 변수로 구성된 고차원 IC·MEMS·광학 회로 설계에서, 전통적인 스토캐스틱 콜로케이션이 요구하는 10^27 수준의 시뮬레이션 샘플을 수백 개 수준으로 감소시키는 텐서 복구 기법을 제안한다. 저랭크와 스파스성을 동시에 활용한 교대 최소화 알고리즘으로 텐서를 복원하고, 이를 통해 일반화 다항 혼돈(Generalized Polynomial Chaos) 전개 계수를 효율적으로 추정한다. 실험 결과 50개 이상의 독립 변수에 대해 기존 방법보다 수십 배 빠른 수렴을 확인하였다.

상세 분석

이 연구는 고차원 확률 변수 공간에서 스토캐스틱 콜로케이션이 직면하는 “차원의 저주”를 텐서 구조의 숨은 저랭크 특성과 계수의 스파스성을 이용해 극복한다. 먼저, 다차원 적분을 위한 텐서‑프로덕트 격자를 정의하고, 각 격자점에서 얻어지는 시뮬레이션 결과를 차원 d의 텐서 Y에 저장한다. Y 자체는 완전한 샘플링이 불가능하므로, 소수의 관측 집합 Ω(예: 500점)만을 이용해 전체 텐서를 복원한다. 복원 모델은 두 가지 정규화 항을 포함한다. (1) 저랭크 제약: 텐서 Y는 Canonical Polyadic (CP) 분해 형태 X = Σ_{j=1}^r u_{j}^{(1)}∘…∘u_{j}^{(d)} 로 근사될 수 있다고 가정한다. (2) 스파스 제약: 일반화 다항 혼돈 전개 계수 c_α = ⟨Y, W_α⟩ 의 ℓ₁‑노름을 최소화함으로써 대부분의 고차원 계수가 0에 가깝다는 사전 정보를 반영한다. 최적화는 교대 최소화(Alternating Minimization) 방식으로 각 모드의 factor matrix U^{(k)} 를 순차적으로 업데이트한다. 수렴성은 저랭크와 스파스성 사이의 균형을 조절하는 정규화 파라미터 λ에 크게 의존한다. 실험에서는 IC 회로의 전력 소모, MEMS 공진기 주파수, 포토닉 파장 변동 등 세 가지 실제 설계 문제에 대해, 5060개의 독립 변수와 차수 p=34인 다항 혼돈 모델을 적용하였다. 전통적인 텐서‑프로덕트 콜로케이션이 요구하는 n^d (n≈10, d≈50) ≈ 10^27 샘플에 비해, 제안 방법은 400800개의 실제 시뮬레이션만으로 충분히 정확한 확률 분포와 통계량을 복원했다. 오류 분석에서는 평균 절대 오차가 1% 이하, 표준편차 오차가 2% 이하로, Monte‑Carlo 대비 100배 이상 효율성을 보였다. 또한, 저랭크 차원 r가 510 수준으로 매우 낮아 실제 메모리 사용량이 수 MB 수준에 그쳤다. 이와 같이 텐서 복구는 고차원 확률 공정 변동 문제에 대한 실용적 해결책을 제공한다.