유체 렌즈 머신러닝 통합 성능 평가

초록

본 논문은 유체 렌즈의 광학 수차를 나타내는 15개의 제르니케 계수를 8가지 부피 조건에서 측정한 데이터를 대상으로, 주성분 분석(PCA), 요인 분석(FA), 계층적 군집화(HC) 등 세 가지 머신러닝 기법을 적용해 차원 축소와 변수 군집화를 수행하였다. PCA는 전체 분산의 95 %를 두 개의 주성분으로 설명했으며, FA는 0.005의 독립 변동 허용오차를 기준으로 3개의 공통 요인을 도출해 변수 간 상관성을 파악했다. HC는 0.9629의 높은 코페니틱 계수를 얻어 변수들의 군집 구조를 검증하였다. 이러한 통계‑머신러닝 융합 접근법은 기존의 임의적 ML 비교보다 더 높은 예측 정확도를 제공하는 상태‑최신(SOTA) 분석 기반을 마련한다.

상세 분석

이 연구는 유체 렌즈의 광학 특성을 정량화하기 위해 제르니케 다항식 계수를 실험적으로 추출하고, 이를 다변량 통계 및 머신러닝 기법에 적용함으로써 데이터의 내재된 구조를 해석한다. 먼저 박스플롯과 X‑Bar 차트를 통해 변수별 변동성과 상관관계를 시각화했으며, Z₁이 가장 큰 변동성을 보이고 Z₇~Z₁₅는 상대적으로 안정적임을 확인했다. 이러한 사전 탐색은 차원 축소와 변수 선택에 중요한 기준이 된다.

PCA에서는 역분산 가중치를 사용해 각 제르니케 변수에 가중치를 부여했으며, 결과적으로 첫 번째 주성분이 전체 분산의 70 %를, 두 번째 주성분이 추가 25 %를 차지해 총 95 %를 설명한다. 주성분 로딩을 살펴보면 Z₂, Z₅, Z₁ 등이 첫 번째와 두 번째 주성분에 크게 기여함을 알 수 있다. 특히 Z₁Z₃은 첫 번째 주성분에서 양의 로딩을, Z₄Z₈은 두 번째 주성분에서 양의 로딩을 보여, 두 주성분이 서로 다른 광학 왜곡 모드를 구분한다는 해석이 가능하다.

FA에서는 최대우도 추정(MLE) 기반의 공통 요인 모델을 적용해 m=3개의 요인을 선택하였다. 요인 적재 행렬과 회전된 로딩을 통해 Z₁~Z₈이 각각 첫 번째, 두 번째, 세 번째 요인에 주로 귀속됨을 확인했다. 특히 Z₈은 독립 변동성이 0.2427로 가장 높아 다른 변수와의 연관성이 낮으며, 이는 별도 처리하거나 제외할 여지를 제공한다. 요인별 특성 분산이 0.005 이하인 변수는 정보 손실 없이 차원 축소가 가능하다는 실용적 기준을 제시한다.

HC에서는 정규화된 데이터를 사용해 유클리드 거리 기반의 평균 연결법을 적용했으며, 코페니틱 계수 c=0.9629는 군집 구조의 신뢰성을 크게 높인다. 덴드로그램을 통해 Z₁Z₃이 하나의 클러스터, Z₄Z₇이 또 다른 클러스터, Z₈~Z₁₅가 별도 클러스터로 구분되는 패턴이 드러났다. 이러한 군집은 변수 간 상호작용을 시각적으로 파악하고, 불필요한 변수 제거 혹은 특화된 모델링에 활용될 수 있다.

전반적으로 본 논문은 통계적 검정(분산 분석, 상관 검정)과 머신러닝 기반 차원 축소·군집화를 순환적으로 적용함으로써, “상호 검증”이라는 새로운 분석 프레임워크를 제시한다. 이는 기존에 ML 알고리즘을 단순히 성능 비교에만 사용하던 관행을 넘어, 데이터 자체의 물리적 의미와 통계적 신뢰성을 동시에 확보한다는 점에서 의미가 크다. 또한, 제시된 방법론은 15개의 제르니케 변수와 8개의 실험 조건이라는 비교적 작은 데이터셋에서도 높은 설명력을 보였으며, 더 큰 광학 시스템이나 다른 물리적 파라미터 집합에도 확장 가능성이 있다.