저차원 동적 모드 분해의 정확하고 효율적인 해법

본 연구는 고차원 동역학 시스템을 저차원 선형 모델로 근사하는 저‑랭크 동적 모드 분해(Low‑Rank DMD) 문제를 체계적으로 다룬다. 먼저, 시스템 (1)의 상태 전이 함수를 선형 연산자 ˆAₖ ∈ ℝⁿˣⁿ 로 근사하고, 이 연산자의 랭크를 k 이하로 제한하는 최적화 문제 (8)를 정의한다. 이 문제는 “rank(A) ≤ k”라는 비선형 제약 때문에 전통적으로는 해결이 어려운 비선형 최소제곱 문제로 분류된다. 기존 문헌에서는 무제한 최소제곱 해 YX† 를 구한 뒤, SVD 혹은 EVD를 이용해 차원을 강제로 축소하거나, ADMM·핵노름 정규화와 같은 완화 기법을 적용해 근사 해를 얻는 방식을 사용해 왔다. 그러나 이러한 방법들은 (i) 최적 해와 차이가 발생하고, (ii) 복잡도가 O(m²(m+n)) 수준으로 여전히 높으며, (iii) 온라인 단계에서의 연산 비용이 충분히 낮지 않다. 논문은 이러한 한계를 극복하기 위해 문제 (8)를 행렬 형태 (9) 로 재작성하고, X와 Y의 스냅샷 행렬을 이용해 ‖Y−AX‖_F² 를 최소화하는 해가 실제로 A*ₖ = Y V_X Σ_X† U_Xᵀ 라는 닫힌 형태임을 증명한다. 여기서 X = U_X Σ_X V_Xᵀ 는 SVD이며, Σ_X† 는 의사역행렬이다. 중요한 점은 이 해가 이미 rank ≤ k 를 만족한다는 것이며, 따라서 추가적인 차원 축소 과정이 필요 없다는 것이다. 이 닫힌 해는 X와 Y의 SVD만 수행하면 구할 수 있어, 전체 연산 복잡도는 O(m n min(m,n)) 로 다항 시간 안에 해결 가능하다. 다음으로, 얻어진 최적 해 A*ₖ 를 효율적으로 활용하기 위한 두 가지 분해 방식을 제시한다. 첫 번째는 SVD 기반의 저‑랭크 분해 P Qᵀ 로, P = U_X, Qᵀ = V_X Σ_X† 로 바로 정의된다. 이 분해를 이용하면 온라인 단계에서 상태 전이를 ˜xₜ = P zₜ, zₜ₊₁ = Q P zₜ 형태로 구현할 수 있어 연산 비용이 O(T r² + r n) 로 크게 감소한다. 두 번째는 EVD 기반의 분해이다. A*ₖ 가 대각화 가능하면, D Λ D⁻¹ 형태로 분해하고, λ_i 와 좌·우 고유벡터(ζ_i, ξ_i)를 이용해 DMD 모드와 성장/감쇠 비율을 직접 해석한다. 논문은 이 EVD 과정을 m × m 차원의 작은 행렬에 국한시켜 O(m³) 이하의 복잡도로 수행하는 알고리즘을 제시한다. 실험에서는 (i) 합성 선형/비선형 시스템, (ii) 유체 역학 시뮬레이션 데이터, (iii) 실제 물리 실험 데이터를 사용해 기존 Projected DMD, TLS‑DMD, ADMM‑기반 저‑랭크 DMD와 비교하였다. 결과는 다음과 같다. 첫째, 최적 해 A*ₖ 로부터 얻은 근사 오차 ‖Y−A*ₖX‖_F 가 모든 비교 방법 중 최소이며, 특히 k 를 매우 작게 설정해도 주요 동적 모드(주파수, 감쇠율)를 정확히 복원한다. 둘째, 오프라인 단계에서의 실행 시간이 기존 방법 대비 2~5배 빠르며, 메모리 사용량도 크게 감소한다. 셋째, 온라인 단계에서 r n 수준의 선형 복잡도로 실시간 시뮬레이션이 가능해, 대규모 파라미터 탐색이나 실시간 제어에 적합함을 확인했다. 이 논문은 저‑랭크 DMD 문제를 “비선형 제약이 있는 최소제곱 문제는 실제로 선형 최소제곱 문제와 동등하게 풀 수 있다”는 새로운 관점으로 재정의함으로써, 기존의 근사‑최적화 기반 접근법을 대체할 수 있는 이론적·실용적 기반을 제공한다. 닫힌 형태 해와 저복잡도 분해 알고리즘은 고차원 데이터에서 실시간 동적 분석이 요구되는 다양한 분야(예: 유체 역학, 구조 동역학, 기후 모델링, 실시간 영상 처리)에서 바로 적용 가능하며, 향후 비선형 확장(커널 DMD, 다중 스케일 DMD)에도 자연스럽게 연계될 수 있다.