데이터가 이끄는 하이브리드 모델링: 첫 원리와 보정 연산자의 최적화 프레임워크

초록

본 논문은 물리 기반(첫 원리) 모델의 불완전성을 데이터 기반 보정 연산자를 통해 보완하는 최적화 프레임워크를 제안한다. 모델 정확도(피델리티), 실용적 특성(덕목), 구조적 제약(저차원성)을 동시에 고려한 목적함수를 정의하고, 선형 예시에서 조건수 최소화와 저랭크 보정을 핵심 목표로 삼아 수치 실험을 수행한다.

상세 분석

이 연구는 전통적인 모델링 접근법을 두 축으로 재구성한다. 첫 번째 축은 “모델 축소”로, 복잡성을 낮추기 위해 물리 방정식을 단순화하거나 경계조건을 완화한다. 두 번째 축은 “모델 개선”으로, 기존 모델의 불완전성을 데이터에 기반한 보정 연산자 C 를 도입해 보완한다. 논문은 특히 후자를 체계화하는데 초점을 맞추며, 보정 연산자를 설계할 때 세 가지 핵심 요소—피델리티(Fidelity), 덕목(Virtue), 구조(Structure)—를 명시적으로 제어한다.

피델리티는 보정된 모델 M + C 가 실제(또는 고충실도) 모델 T 와 얼마나 일치하는지를 측정하는 함수 F 으로 정의된다. 여기서는 관측 연산자 P 와 제어 입력 q 를 이용해 관측 데이터 d 와의 차이를 최소화하는 것이 목표다. 덕목은 보정된 연산자가 특정 응용에 적합하도록 하는 제약으로, 예시에서는 역문제 해결 시 조건수 κ(M + C) 를 낮게 유지하는 것이 선택되었다. 이는 수치적 안정성과 연산 효율성을 동시에 확보한다는 실용적 의미를 가진다. 구조는 보정 연산자 C 가 “작고” M 에 비해 과도하게 복잡하지 않도록 하는 제약이다. 논문에서는 저랭크(또는 핵노름) 제약을 도입해 C 가 저차원 구조를 갖도록 강제한다.

수학적으로는 다음과 같은 최적화 문제를 제시한다.
\