비베이시안 신경망과 다항 차원 분해를 결합한 비선형 시스템 강인 설계 최적화

초록

본 논문은 베이시안 신경망(BNN)과 다항 차원 분해(PDD)를 융합한 새로운 강인 설계 최적화(RDO) 프레임워크를 제안한다. 불확실성 기반 활성 학습으로 BNN 서프레이트의 정확성을 높이고, 다중점 단일단계(MPSS) 전략으로 설계 공간을 동적으로 구분한 뒤, 각 서브영역에서 PDD를 이용해 통계적 모멘트를 분석한다. 10차원 수학 벤치마크와 전동기 코깅 토크 최소화 사례에서 기존 GP·MC 방식보다 적은 함수 평가(≈6 600회)로 전역 최적해에 근접함을 입증한다.

상세 분석

이 연구는 고차원·고비선형 엔지니어링 문제에서 전통적인 서프레이트(다항 혼돈 전개, Kriging 등)의 한계를 극복하기 위해 두 가지 최신 기법을 전략적으로 결합하였다. 첫째, 베이시안 신경망은 가중치와 편향을 확률분포로 모델링함으로써 예측 평균뿐 아니라 예측 불확실성(에피스테믹 불확실성)도 제공한다. 이는 변분 추론(VI) 기반 ELBO 최적화로 실현되며, 미니배치 SGD를 통해 대규모 데이터에도 확장 가능하다. 활성 학습 단계에서는 BNN의 예측 분산이 큰 영역을 탐색 후보로 선정해 추가 시뮬레이션(유한 요소 해석)을 수행함으로써 샘플 효율성을 크게 향상시킨다.

둘째, 다항 차원 분해(PDD)는 ANOVA 기반의 고차원 함수 분해를 이용해 통계적 모멘트를 폐쇄형식으로 계산한다. 전통적인 PDD는 비선형성이 강한 경우 근사 정확도가 떨어지지만, 본 논문에서는 BNN이 제공하는 고정밀 함수값을 이용해 PDD 계수를 최소제곱법으로 추정한다. 이렇게 하면 PDD 자체는 저차원·저차수 다항 기반이지만, BNN이 보완해 주어 전체 근사 정확도가 크게 개선된다.

또한, 다중점 단일단계(MPSS) 전략을 도입해 설계 변수 공간을 동적으로 서브리전으로 나눈다. 각 서브리전에서는 지역 최적화를 수행하되, 전역 탐색을 위해 서브리전 경계를 반복적으로 재조정한다. 이는 비선형 응답(예: 전동기 코깅 토크)의 급격한 변화를 포착하고, 지역 최적화가 전역 최적에 머무르는 위험을 완화한다.

실험 결과는 두 가지 측면에서 의미가 크다. 10차원 베치마크에서는 평균 감소율 99.97%를 달성했으며, 이는 GP 기반 서프레이트와 전통적 Monte‑Carlo가 전역 최적을 찾지 못한 것과 대비된다. 전동기 설계 사례에서는 94.75%의 코깅 토크 감소와 6 644회의 유한 요소 해석만으로 최적해에 도달했다. 이는 고차원·고비선형 문제에서 함수 평가 비용을 획기적으로 절감할 수 있음을 증명한다.

한계점으로는 BNN 훈련 시 변분 근사의 품질에 따라 불확실성 추정이 과소·과대 평가될 수 있다는 점, 그리고 PDD 차수·상호작용 차수(S, m) 선택이 문제마다 경험적으로 조정되어야 한다는 점을 들 수 있다. 또한, 활성 학습 기준(예: 예측 분산 임계값)과 서브리전 재조정 정책이 최적화 성능에 미치는 영향을 정량적으로 분석하지 않은 점도 향후 연구 과제로 남는다.