분포 불확실성에 강인한 PDE 최적 제어를 위한 락커펠리안 완화

초록

본 논문은 확률 분포의 형태가 불확실하거나 손상될 때도 안정적인 해를 제공하는 PDE 제약 최적화 프레임워크를 제시한다. 이 프레임워크는 원래 목적함수에 추가적인 교란 변수와 정규화 항을 도입한 이변량 “락커펠리안(Rockafellian)” 목적함수를 최적화함으로써, 손상된 확률 모델에서도 원래 문제의 해로 Γ‑수렴을 보장한다. 이론적 결과를 무한 차원 Sobolev 공간에 일반화하고, 타원형 확률 PDE와 수치 실험을 통해 이상치 탐지와 분산 감소에 대한 실용성을 확인한다.

상세 분석

논문은 먼저 전통적인 확률 PDE‑제약 최적화 문제(1.1)를 소개하고, 확률분포 자체가 불확실하거나 데이터에 외란이 섞여 있을 경우 최적해가 급격히 변하는 ‘불안정성’ 현상을 강조한다. 기존의 분포강건 최적화(DRO)는 최악의 경우를 고려해 보수적인 해를 제공하지만, 이는 종종 과도하게 보수적이며 계산적으로도 어려울 수 있다. 저자들은 이러한 한계를 극복하기 위해 ‘낙관적’ 접근법인 Distributionally Optimistic Optimization(DOO)을 채택한다. 핵심 아이디어는 원래 목적함수 φ(z)=f₀(z)+E_P