모델 오류의 암시적·명시적 처리 방법

초록

본 리뷰는 수치 시뮬레이션에서 발생하는 구조적·수치적 모델 오류를 암시적 방법과 명시적 방법으로 구분하여 정리한다. 베이지안 근사오차(BAE), 확률적 수치법, 데이터 동화에서의 잡음 모델링 등 암시적 접근과, 베이지안 보정에서의 불일치 함수, 머신러닝 기반 보정, 다중 정밀도·하이브리드 모델링, 잔차·변분·adjoint 기반 추정 등 명시적 접근을 체계적으로 소개한다. 각 기법의 이론적 배경, 구현 요령, 적용 사례를 제시하고, 대규모 PDE 솔버와 역문제·데이터 동화 워크플로에 통합하는 방법을 논의한다.

상세 분석

이 논문은 모델 오류를 “구조적(모델‑폼) 오류”와 “수치적(이산화·해석기) 오류”로 세분화하고, 이를 처리하는 두 축인 암시적(통계적 불확실성 확대)과 명시적(오차 보정 항 도입) 접근법을 명확히 구분한다. 암시적 방법에서는 오류를 직접 모델에 삽입하지 않고, 관측 잡음 혹은 프로세스 잡음의 공분산을 확대함으로써 오류 효과를 흡수한다. 대표적인 사례로 베이지안 근사오차(BAE) 프레임워크가 있다. 여기서는 고정밀 모델과 저정밀 모델 사이의 차이를 사전 통계(평균·공분산)로 추정하고, 이를 관측 모델에 합성함으로써 사후 분포의 편향을 감소시킨다. 또한 확률적 수치법은 전통적인 결정론적 수치 해법을 베이지안 추론으로 재구성하여, 해석·통합 과정에서 발생하는 이산화 오차를 확률 분포로 표현한다. 이는 ODE/ODE 솔버, 적분, 선형 시스템 해석 등에 적용되어, 해의 평균은 기존 수치 해와 동일하면서 불확실성(공분산) 정보를 제공한다. 데이터 동화 분야에서는 모델 오류를 추가 잡음 항으로 모델링하여, 필터·스무딩 단계에서 오류 공분산을 함께 추정한다.

명시적 접근은 오류 함수를 별도 변수·연산자로 도입한다. 베이지안 보정에서는 불일치 함수 δ˜(x)를 관측 모델에 추가하고, 이를 사전 분포(보통 가우시안 프로세스)로 설정해 데이터로부터 학습한다. 머신러닝 기반 보정은 입력·상태에 대한 오류 매핑을 신경망 등으로 학습해, 물리 모델의 잔차를 실시간으로 보정한다. 다중 정밀도·하이브리드 전략은 고정밀·저정밀 모델을 결합해, 저정밀 모델에 고정밀 모델의 오류를 보정 항으로 삽입한다. 잔차·변분·adjoint 기반 방법은 PDE 잔차나 민감도 방정식을 이용해 오류를 추정하고, 이를 적응적 격자 정제나 최적화에 피드백한다. 논문은 각 방법의 장단점을 비교하고, 특히 대규모 PDE 솔버와 연계할 때의 구현 난이도·계산 비용·불확실성 정량화 측면을 상세히 논의한다.