시뮬레이션 기반 확산계수 추정의 최적화와 불확실성 정량화

초록

본 논문은 분자동역학 시뮬레이션에서 평균제곱변위(MSD)를 이용해 자기확산계수 D를 추정할 때, 통계적 효율성을 극대화하고 불확실성을 정확히 평가하는 베이지안 회귀 방법을 제시한다. 자유 확산 입자 시스템의 해석적 공분산 행렬을 기반으로 MSD의 다변량 정규분포를 모델링하고, 이를 파라미터화한 뒤 마코프 체인 몬테카를로(MCMC) 샘플링을 통해 최적의 선형 모델과 D의 신뢰구간을 얻는다. 구현은 오픈소스 Python 패키지 kinisi에 포함된다.

상세 분석

이 연구는 기존에 널리 사용되던 OLS(Ordinary Least Squares)와 WLS(Weighted Least Squares) 방법이 MSD 데이터의 특성—시간에 따라 변하는 이분산성(heteroscedasticity)과 강한 자기상관(correlation)—을 반영하지 못해 통계적 비효율성을 보이고, 특히 불확실성 추정이 크게 과소평가된다는 점을 지적한다. 이를 해결하기 위해 저자들은 두 단계의 핵심 전략을 도입한다. 첫 번째는 자유 확산 입자 집합에 대한 이론적 공분산 행렬 Σ′를 도입하고, 시뮬레이션에서 얻은 MSD의 분산 σ²