대칭을 활용한 베이지안 미분방정식 해법

본 논문은 베이지안 확률수치법(PNM)의 엄격한 정의를 바탕으로, 미분방정식(ODE)의 해를 추정할 때 발생하는 불확실성을 정량화하는 새로운 프레임워크를 제시한다. 먼저, 저자들은 기존의 베이지안 PNM 정의를 재정리한다. 여기서 베이지안 PNM이란, 사전 분포 µ와 정보 연산자 A가 주어졌을 때, 사후 분포 B(µ,a) 가 µ를 A에 대해 해체(disintegration)한 후 관심 양 Q에 대한 푸시포워드(Q#)와 동일해야 한다는 조건을 만족하는 경우를 의미한다. 이 정의는 사전·사후가 진정한 베이지안 의미를 갖고, 여러 단계의 수치적 근사 과정이 합성(composition)될 때도 일관성을 유지한다는 장점을 제공한다. 그런데 기존 연구들—Skilling(1992), Schober et al.(2014), Kersting & Hennig(2016) 등—은 근사 정보 연산자 ˆA와 인위적인 likelihood를 도입함으로써 위 정의를 위배했다. 예를 들어, Skilling은 f(x,y)의 실제 값과 y의 추정값 사이의 차이를 Gaussian likelihood로 모델링했지만, 이는 실제 정보가 정확함에도 불구하고 “노이즈”를 가정하는 것이므로 베이지안 원칙을 어긴다. 이러한 문제점을 지적하며, 저자들은 “정확한” 베이지안 PNM이 존재할 수 있는 조건을 탐구한다. 핵심 아이디어는 ODE의 기울기장 f(x,y) 가 특정 리 군(Lie group) 대칭을 가지고 있다는 사실이다. 만약 f가 솔버블(lie‑solvable) 리 대수에 의해 불변이라면, 좌표 변환 ψ를 통해 (x,y) → (u,v) 로 바꿀 수 있다. 변환 후에는 ODE가 보다 단순한 형태—예를 들어 선형 미분방정식이나 적분 방정식—로 변환되며, 이 공간에서 비모수 회귀(예: Gaussian process) 혹은 커널 기반 방법을 적용해 사전 µ를 정의한다. 중요한 점은 변환된 공간에서 정보 연산자 A가 실제로는 “f의 정확한 평가값을 포함하는 수준집합”이 되므로, 사전 µ를 정확히 해체할 수 있다. 따라서 사후는 Q#(µ_a) 로서 폐쇄형으로 계산 가능하고, 역변환 ψ^{-1}을 적용하면 원래 변수에 대한 정확한 사후분포를 얻는다. 이론적 전제는 두 가지이다. 첫째, ODE가 솔버블 리 대수를 갖는다(즉, 해당 대수의 차원과 구조가 충분히 작아 연쇄적인 적분으로 해를 구할 수 있다). 둘째, 사전 µ는 라디온 측도이며, 경로 공간에 대한 적절한 측도적 성질을 만족한다(예: 연속 경로에 대한 Wiener 측도와 유사). 이러한 전제 하에, 저자들은 1차와 2차 ODE에 대해 구체적인 알고리즘을 제시한다. 알고리즘은 다음과 같다. (1) 주어진 ODE에 대해 리 대수와 불변 변환 ψ를 식별한다. (2) 변환된 좌표계에서 사전 µ를 Gaussian process(또는 다른 비모수 모델)로 설정한다. (3) 실제 f(x_i, y_i) 값을 이용해 정보 연산자 A를 정의하고, µ를 A에 대해 해체하여 µ_a를 얻는다. (4) 관심 양 Q(예: 전체 해 곡선 혹은 특정 시점의 값)에 대해 푸시포워드 Q#(µ_a)를 계산한다. (5) 필요시 ψ^{-1}을 적용해 원래 변수에 대한 사후를 얻는다. 수치 실험에서는 세 가지 대표적인 ODE를 사용했다. (i) 선형 1차 ODE y' = λy, (ii) 로지스틱 성장 모델 y' = y(1−y), (iii) 2차 조화진동기 y'' + ω² y = 0. 각 사례에서 제안 방법은 기존 베이지안 PNM(예: Kalman‑filter 기반)보다 사후 평균이 정확히 Runge‑Kutta 해와 일치함을 보였으며, 사후 분산 역시 실제 수치 오차와 일치하도록 잘 캘리브레이션되었다. 특히, 대칭을 이용함으로써 “과보정” 문제—즉, 사후 불확실성이 실제 오류보다 과소평가되는 현상—가 현저히 감소하였다. 논문의 기여는 다음과 같다. 첫째, 베이지안 PNM의 정의를 엄격히 적용해, 특정 클래스의 ODE에 대해 정확한 베이지안 해법이 존재함을 증명한 최초 사례이다. 둘째, 리 군 대칭을 활용한 좌표 변환 기법을 도입해, 사전·사후 계산을 폐쇄형으로 만든 점이다. 셋째, 솔버블 리 대수라는 강한 수학적 전제가 실제 물리·공학 모델에 적용 가능함을 실험적으로 입증했다. 그러나 솔버블 리 대수 존재 여부가 제한적이며, 고차·비선형 ODE에 대한 일반화는 아직 미해결이다. 향후 연구는 (a) 대칭 탐지를 자동화하는 알고리즘 개발, (b) 부분 대칭 또는 근사 대칭을 이용한 확장된 베이지안 PNM, (c) 다변량·고차 시스템에 대한 이론적 확장 등을 목표로 할 수 있다.