VARX 기반 확률적 파라미터화 기법

초록

본 논문은 다중 규모 동역학 시스템인 Lorenz‑96 모델의 소규모 현상을 데이터‑드리븐 방식으로 파라미터화하기 위해, 외생 변수를 포함한 벡터 자기회귀(VARX) 모델을 제안한다. 회귀계수 행렬에 대각 구조를 강제해 파라미터 수를 변수 개수에 비례하도록 제한하고, 두 가지 L96 설정(단일극성과 3극성)에서 통계적 성능을 검증한다. 단일극성 경우 대각 공분산만으로도 높은 정확도를 보였으며, 3극성 경우에는 비대각(밀집) 공분산을 허용함으로써 복잡한 확률분포를 성공적으로 재현한다.

상세 분석

본 연구는 다중 규모 시스템에서 소규모 변수의 피드백을 효율적으로 모델링하기 위한 새로운 확률적 파라미터화 프레임워크를 제시한다. 핵심 아이디어는 완전한 물리적 지식 없이도, 고해상도 시뮬레이션으로부터 얻은 샘플 데이터를 이용해 VARX(p) 모델을 추정하는 것이다. VARX 모델은
(e_b^n = a_0 + \sum_{i=1}^p A_i e_b^{n-i} + D x^n + \Sigma \xi^n)
형태로 정의되며, 여기서 (A_i)와 (D)는 각각 내생·외생 드리프트 행렬, (\Sigma)는 공분산 행렬이다. 저자는 파라미터 수를 제어하기 위해 행렬에 대각 혹은 밴드 형태의 희소성을 부여한다. 대각 구조를 선택하면 파라미터 수가 (K + K^2(p+2))에서 (O(Kp)) 수준으로 감소한다. 이는 대규모 격자(K≈10⁶)에서도 메모리와 연산량을 현실적인 수준으로 유지하게 한다.

통계적 추정은 가중 최소제곱법을 사용해 O(K²N) 복잡도로 수행되며, 공분산 행렬은 두 가지 옵션을 제공한다. 첫 번째는 모든 교차공분산을 무시하고 스칼라 σ를 곱한 단위행렬 형태(Σ_D)로, 파라미터가 하나뿐이므로 대규모 시스템에 적합하다. 두 번째는 샘플 잔차로부터 전체 공분산을 추정하고 Cholesky 분해를 통해 Σ_L을 얻는 방식이다. 후자는 정확도는 높지만 O(K³) 메모리·연산 비용이 발생한다.

안정성 제약은 VAR(p)의 고유값이 단위 원 안에 있어야 함을 의미한다. 저자는 사후 검증을 통해 모델이 이 조건을 만족함을 확인했으며, 안정성을 직접 강제하는 추정 방법은 향후 연구 과제로 남긴다.

실험에서는 두 가지 L96 설정을 사용한다. 첫 번째는 전통적인 파라미터(F=10, h=1 등)로 단일극성 확률분포를 보이며, 두 번째는 비표준 파라미터(F=6, h=0.5 등)로 3극성 분포를 만든다. 단일극성 경우, 대각 공분산을 갖는 VARX(30) 모델이 평균, 자기상관, 공간 상관 모두에서 원 모델과 거의 일치한다. 반면 3극성 경우, 대각 공분산만으로는 다중 피크를 재현하지 못하고, 비대각(밀집) 공분산을 허용한 VARX(30) Σ_L 모델이 복잡한 확률구조를 성공적으로 포착한다. 이는 공분산 구조가 다중 모드 현상의 공간적 연관성을 전달하는 데 핵심 역할을 함을 시사한다.

또한, 제안된 VARX 모델을 기존의 화이트노이즈, AR(1), NARMAX와 비교했을 때, 장기 통계량(평균, 분산, 자기상관, 공간 상관)에서 전반적으로 우수한 성능을 보였다. 특히, 외생 변수 D를 포함함으로써 큰 규모 변수 x와의 상호작용을 명시적으로 모델링할 수 있었으며, 이는 전통적인 AR(1)이나 NARMAX가 제공하지 못하는 장점이다.

마지막으로 계산 복잡도 분석에서는 학습 단계가 O(K²N)이며, 온라인 시뮬레이션 단계는 행렬-벡터 곱 연산에 의해 지배된다. 대각 행렬을 사용하면 O(K) 비용, 밴드 행렬을 사용하면 O(K·band) 비용, 밀집 Σ_L은 O(K²) 비용이 든다. 따라서 실제 대규모 기후·해양 모델에 적용하려면 Σ의 희소성을 유지하는 것이 필수적이며, 이를 위한 구조적 제약 설계가 향후 연구 과제로 제시된다.