비자율 로렌츠 모델의 극단 현상 규제와 레짐 식별

초록

본 논문은 계절 강제와 백색 잡음이 가해진 비자율 로렌츠‑84(Lorenz‑84) 모델을 대상으로, (1) 지역 리아푸노프 지수(LLE)와 (2) 비동질 숨은 마르코프 모델(NHMM) 기반 전이 확률을 이용한 두 가지 트리거 전략을 제안한다. LLE 트리거는 물리 기반 불안정 지표로, NHMM 트리거는 잠재 레짐의 위험도와 전이 확률을 정량화한다. 두 방법 모두 위험 레짐(극단 현상) 진입 가능성을 사전에 감지하고, 최소 에너지의 작은 교란을 가해 시스템을 안전한 레짐으로 유도한다. 실험 결과, NHMM 트리거가 강한 양의 LLE 구간과 일치함을 확인했으며, 이는 딥러닝 기반 기후·날씨 모델의 숨은 상태를 활용한 적응형 제어의 가능성을 시사한다.

상세 분석

이 연구는 비자율(시간 의존) 강제와 잡음이 포함된 로렌츠‑84(L84) 시스템을 실험 플랫폼으로 삼아, 혼돈 제어를 위한 두 가지 적응형 트리거 메커니즘을 체계적으로 비교·검증한다. 첫 번째 메커니즘은 지역 리아푸노프 지수(LLE)를 실시간으로 계산해, 특정 백분위수 이상으로 급격히 상승하는 순간을 ‘불안정 구간’으로 정의하고, 이때 최소 에너지의 교란(δx,δy,δz)을 적용한다. LLE는 시스템의 국소적인 발산 속도를 직접 측정하므로 물리적 직관이 강하고, 기존 자율계 시스템에서 검증된 OGY·시간 지연 피드백 방식과 자연스럽게 연결된다. 그러나 비자율 시스템에서는 계절성·다중 스케일 강제가 LLE의 시간 변동성을 크게 만들며, 관측 간격이 길어질수록 LLE 추정 오차가 누적될 위험이 있다.

두 번째 메커니즘은 비동질 숨은 마르코프 모델(NHMM)을 도입한다. 관측된 상태벡터 Xₜ=(xₜ,yₜ,zₜ)를 K개의 잠재 레짐 Sₜ∈{1,…,K}에 할당하고, 각 레짐별로 AR(1) 가우시안 방출 모델을 추정한다. 전이 확률 Pᵢⱼ(t)는 계절 코베리언트 C(t)=(sin 2πt/365, cos 2πt/365)와 다항 로짓 회귀를 통해 시간‑비동질적으로 모델링한다. EM 알고리즘으로 파라미터를 학습한 뒤, Viterbi와 전방 알고리즘을 이용해 현재와 미래 레짐 확률분포 αₜ₊ₕ를 예측한다. 위험 레짐 D는 에디 에너지 |y|+|z|가 사전 정의된 임계값 E를 초과하는 레짐 집합으로 정의하고, 각 레짐 i∈D에 대해 위험 가중치 wᵢ=Pᵢ(|y|+|z|>E)를 계산한다. 교란 uₜ를 적용했을 때의 위험 점수 dₜ₊ₕ(uₜ)=∑_{i∈D} wᵢ αₜ₊ₕᵢ(uₜ) 를 할인합으로 누적한 Dangerₜ(uₜ)를 최소화하면서 ‖uₜ‖₂²에 λ를 곱한 정규화 항을 더한 목적함수 min