적응형 서러게이트 모델을 활용한 파라메트릭 연구 혁신

본 논문은 고비용 수치 시뮬레이션, 특히 유한요소법(FEM) 기반 해석을 대체하거나 보조하기 위한 서러게이트 모델링 기법을 집중적으로 탐구한다. 서론에서는 메타모델링의 필요성을 강조하고, Kriging(가우시안 프로세스 회귀)이 제공하는 예측 정확도와 불확실성 추정 능력을 소개한다. 이어서 2장에서는 Kriging 이론을 상세히 전개한다. Universal Kriging과 Ordinary Kriging의 차이, 다양한 커널(Exponential, Squared‑Exponential, Matérn) 정의, 최대우도법을 통한 하이퍼파라미터 추정, 그리고 공분산 행렬의 퇴화와 고차원 문제에서의 제한점을 논의한다. 또한, Kriging 모델의 시각화와 예제(스위펠 함수, Ackley 함수 등)를 통해 기본 개념을 직관적으로 보여준다. 3장에서는 적응형 샘플링 기법을 폭넓게 정리한다. 교차검증(CV) 기반, 내부·외부 분산 기반, 그래디언트 기반, 위원회(Committee) 기반 등 45개의 알고리즘을 구현하고, 초기 샘플 설계(Latin Hypercube, Sobol 등), 정규화, 정지 기준(오차 임계값, 최대 샘플 수) 등을 포함한 실용적인 설계 고려사항을 제시한다. 특히, 각 기법의 탐색‑활용 균형을 시각화한 도표와 흐름도를 제공한다. 4장에서는 Ordinary Kriging에 적용한 적응형 샘플링을 다양한 베엔치마크 함수에 실험한다. 1‑차원 스위펠, 2‑차원 Ackley와 Six‑Hump Camel, 3‑차원 Hartmann, 5‑차원 Trid, 7‑차원 Lévy 함수에 대해 MAE, RMSE, RMAE를 측정한다. 결과는 고차원일수록 샘플 효율이 낮아지는 경향을 보였으며, 내부 분산 기반(IV)과 외부 분산 기반(EV) 기법이 전반적으로 빠른 수렴을 보였다. 또한, 일부 위원회 기반(MIVOR)은 특정 함수에서 뛰어난 성능을 보였지만, 계산 비용이 크게 증가한다는 trade‑off가 있었다. 5장에서는 동적 시스템(질량‑벨트 시스템)의 스티킹 시간과 혼돈 운동을 위한 서러게이트 모델을 구축한다. 스티킹 시간은 연속적인 출력으로 Ordinary Kriging을 사용해 예측 정확도를 평가했으며, 샘플 수 60개에서 MAE가 0.01 이하로 수렴했다. 혼돈 구분을 위해 최대 리아프노프 지수(LLE)를 계산하고, 이를 이진 라벨(혼돈/비혼돈)로 변환한 뒤 분류 모델을 만든다. 여기서 기존 Kriging 기반 분류와 비교해 MIVOR 기법이 적은 샘플로 높은 정확도를 달성함을 보였다. 6장에서는 위원회 기반 적응형 샘플링을 이진 분류에 특화시킨 새로운 기법을 제안한다. MIVOR는 현재 모델의 예측 분산과 라벨 불확실성을 결합해 후보점을 선정한다. 2‑차원 LLE 사례 4가지(다양한 파라미터 조합)에서 65~130개의 샘플만으로 95% 이상의 정확도를 얻었으며, 기존 AME, EIGF 등과 비교해 샘플 효율이 2‑3배 이상 향상되었다. 7장에서는 다중정밀도 Kriging(계층적 Kriging)을 도입한다. 저정밀도(LF) 모델과 고정밀도(HF) 모델을 계층적으로 결합해 샘플링 비용을 절감한다. Forrester(1‑D), Currin(2‑D), Park(4‑D) 함수와 실제 2‑D, 4‑D, 6‑D 접촉 문제에 적용하였다. 결과는 HF 샘플을 전체 10‑20% 수준으로 줄이면서도 RMAE < 0.01을 유지했으며, 특히 정적 마찰(Coulomb)과 속도 의존 마찰 모델에서 높은 정확도를 보였다. 8장에서는 차원 축소를 위한 부분 최소제곱(Partial‑Least‑Squares, PLS) 기법을 Kriging에 통합한 PLS‑Kriging을 제시한다. 10‑차원 Wong 함수와 8‑차원 Borehole 함수에 적용해, 학습 시간은 기존 Ordinary Kriging 대비 30‑40% 감소하고, 예측 정확도는 동일하거나 약간 개선되었다. 이는 고차원에서 공분산 행렬의 퇴화를 완화하고, 하이퍼파라미터 최적화 비용을 줄이는 효과가 있다. 9장은 전체 연구 결과를 종합한다. 적응형 샘플링은 샘플 효율을 크게 향상시키며, 특히 분산 기반과 위원회 기반이 고차원·비선형 문제에 강점을 보인다. 다중정밀도와 PLS‑Kriging은 차원·비용 문제를 동시에 해결한다. 마지막으로 제안된 MIVOR는 혼돈 구분과 같은 이진 분류 문제에 새로운 패러다임을 제공한다. 향후 연구 방향으로는 실시간 적응형 서러게이트, 비정형 데이터(이미지·시계열)와의 결합, 그리고 강화학습 기반 샘플링 전략이 제시된다.