기계학습과 물리 모델을 연결하는 선형 잠재력 모델: 가우시안 프로세스 기반 접근

초록

본 논문은 가우시안 프로세스(GP)와 미분 방정식을 결합한 ‘잠재력 모델(Latent Force Model, LFM)’을 제안한다. 물리적 메커니즘을 간단히 가정하고, 그 메커니즘에 의해 유도된 커널 함수를 GP에 삽입함으로써 데이터가 부족하거나 외삽이 필요한 상황에서도 강인한 예측을 가능하게 한다. 1차·2차 ODE와 PDE를 이용한 커널 설계 과정을 제시하고, 인간 동작 캡처, 유전자 발현 시계열, 스위스 주라 지역 중금속 확산 세 가지 사례를 통해 모델의 범용성을 입증한다.

상세 분석

논문은 먼저 전통적인 데이터‑주도 모델과 물리‑주도 모델의 한계를 짚으며, 두 접근법을 융합하는 필요성을 강조한다. 핵심 아이디어는 ‘잠재 변수’를 ‘잠재 함수’로 확장하고, 이 함수들을 가우시안 프로세스 사전분포로 모델링한다는 점이다. 물리적 시스템을 선형 미분 방정식(ODE/PDE) 형태로 기술하고, 외부 입력(잠재 힘)으로서 GP를 두어 시스템 응답(관측 출력)과 잠재 힘 사이의 선형 연산을 명시한다. 이때 미분 연산자는 선형 적분 연산자의 역으로 작용하므로, 잠재 힘의 커널을 시스템의 전이 함수와 컨볼루션함으로써 출력 커널을 analytically 유도할 수 있다.

1차 LFM에서는 질량 항을 없애고 감쇠 상수만 남긴 형태(˙Y+BY=US+E)를 사용한다. 여기서 B는 감쇠 행렬, S는 감도 행렬이며, 각 잠재 힘 u_q(t)는 SE 커널을 갖는 GP로 가정한다. 선형 연산 G_d