Koopman 연산자를 이용한 확률 시스템의 부분 관측 분석

초록

본 논문은 부분 관측이 불가피한 확률 미분 방정식 시스템에 대해 Koopman 연산자 이론을 적용하고, 상태공간과 함수공간을 명확히 구분함으로써 일반화된 Langevin 방정식의 한계를 짚는다. 지연 임베딩이 부분 관측 정확도를 크게 향상시키며, 잡음 진폭에 따른 오차가 파워‑법칙 형태로 감소한다는 수치 실험 결과를 제시한다.

상세 분석

본 연구는 먼저 기존의 Mori‑Zwanzig 공식이 결정론적 시스템에서만 엄밀히 정의될 수 있음을 지적한다. 그 핵심은 관측되지 않은 변수들을 투영 연산자를 통해 메모리 항과 노이즈 항으로 분리하는데, 이때 노이즈는 실제 물리적 잡음이 아니라 미관측 변수의 초기조건에 대한 불확실성으로 해석된다. 확률 시스템에 이를 그대로 적용하면, Koopman 연산자가 기대값 연산자로 전이된다는 점을 강조한다. 구체적으로, Ito 형태의 SDE (dX = a(X)dt + B(X)dW)에 대해 Fokker‑Planck 연산자 (L^{\dagger})와 그 에드조인트 (L)를 도입하고, Koopman 연산자 (K_{\Delta t}=e^{L\Delta t})가 함수공간에서의 선형 전이임을 보인다. 여기서 중요한 점은 상태공간의 확률 밀도는 (e^{L^{\dagger}\Delta t})에 의해 진화하지만, 관측 함수의 기대값은 (e^{L\Delta t})에 의해 직접 계산된다는 사실이다. 따라서 부분 관측으로 인한 “노이즈”는 실제 Wiener 잡음과는 구분되어야 하며, 두 종류의 확률적 효과가 혼재되지 않도록 상태와 함수의 구분이 필수적이다.

다음으로 지연 임베딩(dela​y‑embedding)의 역할을 분석한다. 관측 변수의 차원을 늘리기 위해 과거 시점의 값을 포함시키면, 원래 관측되지 않은 차원을 효과적으로 재구성할 수 있다. 이는 EDMD(Extended Dynamic Mode Decomposition) 사전 정의 사전(dictionary)에서 고차 다항식이나 비선형 함수들을 포함시키는 것과 동등한 효과를 가지며, 메모리 항을 감소시켜 추정 정확도를 크게 향상시킨다. 논문은 이를 수치적으로 검증하기 위해 두 가지 모델, 즉 잡음이 포함된 Van der Pol 진동자와 Lorenz 시스템을 사용한다. 각 실험에서 잡음 진폭 (\sigma)를 변화시켰을 때, 관측 오차 (E(\sigma))가 (E\propto\sigma^{\alpha}) 형태의 파워‑법칙을 따름을 확인하였다. 특히 지연 임베딩을 적용한 경우 (\alpha)가 크게 증가해, 작은 잡음에서도 높은 정확도를 유지한다는 점이 강조된다.

마지막으로, 부분 관측이 시스템 식별에 미치는 영향과 Koopman 기반 데이터‑드리븐 방법의 한계를 논의한다. 사전(dictionary)의 차원 폭발 문제, 고차 다항식의 과적합 위험, 그리고 실제 실험 데이터에서의 비정상적인 노이즈 구조 등에 대한 대비책이 제시된다. 전체적으로, 상태와 함수의 구분, 지연 임베딩, 그리고 파워‑법칙 오차 분석이라는 세 축을 통해 확률 시스템에서의 부분 관측 문제를 체계적으로 정리하였다.