다중모델 정보융합 기반 목표지향 적응 샘플링

초록

본 논문은 고차원·이질적 재료 설계 공간에서 제한된 실험·시뮬레이션 예산으로 목표 물성을 빠르게 찾기 위해, 정보이론적 관점에서 “궤적 탐색”을 제안한다. 차원 인식 정보 예산, 부트스트랩 기반 모델 증류, 구조 인식 후보 매니폴드 분석, 그리고 칼만‑유사 다중모델 융합을 결합해 탐색‑활용 균형을 동적으로 조절한다. 14개의 실제 재료 설계 과제와 3개의 20차원 합성 벤치마크에서 100번 이하의 평가로 최상위 후보를 일관적으로 도출한다.

상세 분석

이 연구는 기존 베이지안 최적화(Bayesian Optimization, BO)가 고차원·데이터 희소 상황에서 겪는 “차원 저주”와 “과적합” 문제를 근본적으로 재구성한다. 첫 번째 핵심은 차원 인식 정보 예산이다. 현재 데이터가 암시하는 내재 차원을 실시간으로 추정하고, 남은 평가 예산과 결합해 서베이 모델의 용량(복잡도)을 자동으로 제한한다. 이는 고차원 잡음에 모델이 과도하게 적합되는 것을 방지하고, 실제 물리적 구조가 존재하는 저차원 매니폴드에 집중하도록 만든다. 두 번째 핵심은 부트스트랩 기반 모델 증류이다. 선형, 트리, 신경망 등 이질적인 서베이 모델들을 부트스트랩 샘플링으로 독립적으로 학습시켜, 각 모델이 제공하는 “인지 풍경”(cognitive landscape)을 확보한다. 이렇게 얻은 다중 모델은 서로 다른 스펙트럼(저주파‑고주파) 정보를 제공함으로써 전역적인 트렌드와 지역적인 미세 변화를 동시에 포착한다. 세 번째 핵심은 구조 인식 후보 매니폴드 분석이다. 후보 집합이 주어지면 근접 이웃 및 파티셔닝 기법으로 매니폴드 구조를 정량화하고, 중복도·지역 밀도·가능 변동성을 추정한다. 이는 후보 생성 단계가 없을 때도 모델이 제시한 후보를 매니폴드에 투사해 탐색 가능 영역을 검증하는 역할을 한다. 마지막으로 **칼만‑유사 다중모델 융합(KF, rKF)**을 도입한다. 각 모델의 부트스트랩 외부 검증(out‑of‑bag) 결과를 이용해 신호‑대‑잡음(SNR)과 전역·국부 성향을 평가하고, 이를 기반으로 합의 기반 활용(A CQ)과 불일치 기반 탐색(rKF)을 동적으로 전환한다. 즉, 모델 간 합의가 강하면 큰 폭의 “점프”(exploitation)를, 불일치가 크면 정보 이득이 높은 “불확실성 가중 변이”(exploration)를 선택한다. 이러한 메커니즘은 전통적인 GP‑BO가 고차원에서 겪는 커널 거리 집중 문제를 회피하고, 샘플 효율성을 크게 향상시킨다. 실험 결과는 6004,000,000 규모의 후보 풀, 101,000 차원의 피처, 1~4개의 목표 물성을 가진 14개의 실제 재료 설계 과제에서, 초기 20개의 저품질 샘플만으로 10번 이내(≈100 평가)에 상위 10% 후보를 일관적으로 찾아낸다. 또한 20차원 Ackley, Rastrigin, Schwefel 벤치마크에서 각각의 특성(약한 기울기, 다중국소 최적점, 속임수 함정)에 맞는 탐색‑활용 전략을 보여, 프레임워크의 범용성과 견고함을 입증한다. 전체적으로 이 논문은 “전체 응답면을 근사하는 것”에서 “목표에 대한 저엔트로피 궤적을 구축·추적하는 것”으로 최적화 패러다임을 전환시키는 중요한 이론·실험적 기여를 제공한다.