복합 환경에서 장기 동역학 예측을 위한 물리‑강화 상태공간 모델

초록

Phy‑SSM은 부분적으로 알려진 물리 법칙을 딥 상태공간 모델(SSM)에 결합해, 잡음이 많고 불규칙하게 샘플링된 데이터에서도 장기 예측 정확도와 일반화 능력을 크게 향상시킨다. 알려진/알려지지 않은 시스템 행렬을 분리하고, 물리 상태 정규화 항을 도입해 잠재 상태가 실제 물리 흐름을 따르도록 제약한다. 차량·드론·COVID‑19 사례 실험에서 기존 SSM·PINN·NODE 기반 방법들을 능가한다.

상세 분석

본 논문은 장기 동역학 예측이라는 실용적 난제에 물리‑지식과 딥러닝을 효율적으로 융합한 Phy‑SSM을 제안한다. 핵심 아이디어는 연속시간 SSM인 S4(또는 S5, Mamba)의 강력한 장기 메모리 메커니즘을 유지하면서, 시스템 동역학을 “알려진 부분”과 “미지의 부분”으로 명시적으로 분해한다는 점이다. 알려진 물리 법칙은 A_knw·z 형태의 선형 행렬로 표현하고, 미지의 비선형·시간변화 요소는 A_unk·z와 B_unk·u 로 학습 가능한 파라미터화한다. 이렇게 하면 물리적 제약을 직접 행렬에 삽입할 수 있어, 기존 PINN처럼 손실에 물리식을 부드럽게 가중하는 방식보다 더 강력한 인덕티브 바이어스를 제공한다.

또한 저자는 물리 상태 정규화(physics state regularization) 항을 도입해, 인코더가 추정한 잠재 상태 분포 q(z|x) 가 A·z + B·u 로 정의된 동역학을 따르도록 KL‑형식의 제약을 가한다. 이는 특히 불규칙·노이즈 데이터에서 초기 조건에 과도히 의존하는 NODE 기반 모델의 약점을 보완한다. 이론적으로는 A_knw와 A_unk의 분해가 유일성을 보장한다는 정리를 제시했으며, 이는 모델이 동일한 관측에 대해 다중 해를 찾지 못하게 하는 중요한 안정성 확보이다.

실험 설계는 세 가지 실제 도메인(자동차 궤적, 드론 비행 상태, COVID‑19 감염자 수)에서 인터폴레이션과 엑스트라폴레이션 모두를 평가한다. 모든 베이스라인(전통 SSM, S4, NODE, PINN, 물리‑인포드 트랜스포머 등)보다 평균 절대 오차와 RMSE가 현저히 낮으며, 특히 10배 이상 장기 예측 구간에서 성능 격차가 크게 나타난다. 코드 공개와 상세한 하이퍼파라미터 설명은 재현성을 높인다.

한계점으로는 (1) 물리 행렬 A_knw를 사전에 정의해야 하는데, 실제 복합 시스템에서는 부분적인 미분 방정식조차 불명확할 수 있다. (2) 현재 구현은 선형 행렬 형태에 의존하므로, 강한 비선형·다중 모드 현상을 완전히 포착하기엔 제한적이다. (3) 정규화 가중치 선택이 성능에 민감해, 자동 튜닝 메커니즘이 필요하다. 전반적으로 Phy‑SSM은 “부분 물리 지식 + 딥 SSM”이라는 새로운 패러다임을 제시하며, 장기·불규칙 시계열 예측 분야에 큰 파급 효과를 기대한다.