생성 모델로 역문제 해결 성능 비교

초록

본 연구는 가스 터빈 연소실 설계라는 실제 역설계 문제에 전통적인 베이지안 역문제 접근법과 최신 생성 모델인 조건부 Wasserstein‑GAN, 가역 신경망(INN), 조건부 흐름 매칭(CFM)을 비교한다. 라벨 정확도와 설계 다양성을 동시에 평가하는 여러 지표를 제시하고, 학습 데이터 양에 따른 성능 변화를 분석한다. 실험 결과 CFM이 모든 평가 항목에서 가장 우수함을 확인하였다.

상세 분석

이 논문은 역설계 문제를 확률적 관점에서 접근한다. 기존 베이지안 방법은 사전 분포 p_X(x)를 MCMC로 샘플링하고, 관측된 라벨 y에 대한 사후 p(x|y)∝p(y|x)p_X(x)를 추정한다. 그러나 MCMC 설정이 복잡하고, 샘플링 효율이 낮으며, 최적화 과정이 필요해 실용성이 제한된다. 이를 보완하기 위해 저자는 조건부 생성 모델을 직접 학습시켜 p(x|y) 자체를 근사한다는 아이디어를 제시한다.

조건부 Wasserstein‑GAN은 생성자와 판별자를 교대로 학습시켜 y를 조건으로 하는 x의 분포를 모방한다. GAN은 모드 붕괴와 학습 불안정성이 알려져 있어, 라벨 정확도는 어느 정도 확보하지만 설계 다양성에서 한계를 보인다.

가역 신경망(INN)은 정규화 흐름의 연속적인 가역 변환을 이용해 x↔z(표준 정규) 사이의 양방향 매핑을 학습한다. 이 구조는 정확한 로그밀도 계산이 가능해 사후 확률을 직접 평가할 수 있지만, 변환 깊이가 제한적일 경우 복잡한 다중모드 구조를 충분히 포착하지 못한다.

조건부 흐름 매칭(CFM)은 연속 시간 ODE 기반 NODE를 활용해 조건 y에 따라 흐름 벡터장을 학습한다. CFM은 손실 함수가 직접적인 확률 흐름 일치를 목표로 하므로, 데이터 효율성이 뛰어나고 모드 커버리지를 유지한다. 특히 작은 학습 셋(수백 개)에서도 라벨 재현 오차가 5% 이하로 낮으며, 설계 파라미터 공간을 고르게 탐색한다.

평가 지표는 (1) 라벨 재현 정확도(RMSE), (2) 설계 다양성(다양성 지표인 평균 최소 거리와 커버리지 비율), (3) 데이터 효율성(학습 샘플 수 대비 성능 감소율)이다. 실험 결과 CFM은 모든 지표에서 다른 모델을 앞섰으며, 특히 데이터 양이 200~400개 수준일 때도 안정적인 성능을 유지한다. 반면 GAN은 라벨 정확도는 평균 0.12 RMSE 수준이지만 다양성 지표가 크게 떨어지고, INN은 중간 정도의 정확도와 다양성을 보였지만 학습 비용이 가장 높았다.

이러한 결과는 조건부 흐름 기반 모델이 고차원 설계 공간에서 복잡한 다중모드 사후 분포를 효율적으로 학습할 수 있음을 시사한다. 또한, 베이지안 MCMC와 비교했을 때 샘플링 속도와 자동화 가능성에서 현저히 우수함을 확인한다. 다만 CFM은 ODE 솔버 선택과 시간 스텝 설정에 민감하며, 매우 큰 설계 차원(수십 이상)에서는 계산 비용이 증가할 가능성이 있다.