앙상블 기반 복합 시스템 시뮬레이션의 분류 문제와 관리 전략

초록

본 논문은 복합 시스템 시뮬레이션에서 불확실성을 관리하기 위해 앙상블 기반 접근을 적용하고, 시뮬레이션 대상 시스템과 모델 집합의 상태 변화를 분류·예측함으로써 동적 앙상블 진화와 집계 전략을 제시한다. 데이터 과학과 머신러닝을 활용해 클래스 식별, 앙상블 관리, 지식 획득을 수행하는 개념·기술 프레임워크를 제안한다.

상세 요약

이 연구는 복합 시스템 시뮬레이션을 ‘시스템‑모델‑앙상블’ 삼중 구조로 바라본다. 첫 번째 축은 실제 물리·사회·경제 시스템이며, 두 번째 축은 해당 시스템을 모사하기 위해 설계된 다양한 모델(물리 기반, 통계 기반, 데이터 기반 등)이다. 세 번째 축은 이러한 모델들을 다중 실행·조합하여 만든 앙상블이다. 기존 연구는 주로 모델 자체의 불확실성(파라미터, 구조) 혹은 입력 데이터의 변동성에 초점을 맞췄지만, 본 논문은 앙상블 자체가 또 하나의 복합 시스템이라는 점을 강조한다. 따라서 앙상블의 ‘상태’를 정의하고, 이 상태를 실시간으로 분류(classification)함으로써 적절한 진화(evolution)와 집계(aggregation) 전략을 선택한다는 것이 핵심 아이디어다.

상태 분류는 크게 두 차원으로 나뉜다. 첫 번째 차원은 ‘시뮬레이션 대상 시스템의 동적 상황’으로, 관측 데이터, 상황 인식 지표, 외부 이벤트 등을 통해 정의된다. 두 번째 차원은 ‘모델 집합의 내부 상태’로, 현재 사용 중인 모델 버전, 파라미터 설정, 성능 메트릭, 계산 자원 상황 등을 포함한다. 두 차원 모두 시계열 특성을 가지므로, 시계열 클러스터링, 히든 마코프 모델(HMM), 딥러닝 기반 시퀀스 분류기 등을 적용해 실시간 라벨링이 가능하도록 설계한다.

분류 결과에 따라 두 가지 주요 관리 메커니즘이 작동한다. 첫 번째는 ‘동적 앙상블 진화’이다. 예를 들어, 시스템 상황이 급변하거나 관측 오차가 급증하면, 현재 앙상블에 포함된 모델 중 일부를 폐기하고, 새로운 모델(예: 최신 데이터 기반 머신러닝 모델)이나 파라미터 변형을 삽입한다. 이 과정은 자동화된 정책 엔진에 의해 트리거되며, 강화학습(RL) 기반 보상 함수가 장기 시뮬레이션 정확도와 계산 비용을 동시에 최적화한다. 두 번째는 ‘앙상블 집계 전략 선택’이다. 전통적인 평균(Regression) 방식 외에, 상황에 맞는 ‘선택(Selection)’ 방식을 적용한다. 선택 방식은 분류된 클래스에 따라 최적의 서브앙상블을 골라 결과를 그대로 사용하거나, 가중 평균을 적용한다. 이렇게 하면 불확실성이 높은 구간에서는 보수적인 평균을, 확신이 높은 구간에서는 고성능 모델의 결과를 직접 활용할 수 있다.

기술 구현 측면에서 저자는 도메인 전용 시뮬레이션 소프트웨어(예: 기후 모델, 교통 흐름 시뮬레이터)를 컨테이너화하고, 워크플로우 오케스트레이터(예: Apache Airflow, Kubernetes)와 연동해 복합 애플리케이션을 구성한다. 시뮬레이션 결과와 관측 데이터를 데이터 레이크에 저장하고, 데이터 과학 파이프라인(Pandas, Spark)으로 전처리·특성 추출을 수행한다. 이후 머신러닝 모듈(Scikit‑learn, TensorFlow, PyTorch)에서 클래스 식별 모델을 학습하고, 실시간 추론 서비스를 제공한다. 지식 획득(Knowledge Acquisition) 단계에서는 설명 가능한 AI(XAI) 기법을 활용해 어떤 모델이 어떤 상황에서 우수했는지를 시각화하고, 도메인 전문가가 정책을 수정할 수 있도록 피드백 루프를 만든다.

이러한 프레임워크는 불확실성 관리의 두 축—‘불확실성 감소’와 ‘불확실성 활용’—을 동시에 달성한다. 불확실성을 정량화하고 분류함으로써 불필요한 계산을 줄이고, 반대로 불확실성이 높은 구간에서는 보수적인 집계와 모델 다변화를 통해 위험을 최소화한다. 또한, 지속적인 학습과 정책 업데이트을 통해 시스템·모델·앙상블이 시간에 따라 적응하도록 설계되었다.

전체적으로 이 논문은 복합 시스템 시뮬레이션에 대한 새로운 패러다임을 제시한다. 앙상블 자체를 동적 복합 시스템으로 보고, 상태 기반 분류와 자동화된 진화·집계 메커니즘을 결합함으로써, 기존의 정적·일회성 앙상블 기법이 갖는 한계를 극복하고, 실시간 의사결정 지원 및 장기 시뮬레이션 정확도 향상을 동시에 달성한다.