보이지 않는 목표 상태로의 동적 시스템 제어와 파라미터 인식 저수지 컴퓨팅

초록

본 논문은 파라미터 인식 차세대 저수지 컴퓨팅(NGRC)을 이용해 제한된 학습 데이터만으로도 관측되지 않은 파라미터 영역의 동적 행동을 정확히 예측하고, 이를 기반으로 임의의 목표 상태(주기·간헐·혼돈 등)로의 전이 과정을 설계·제어하는 모델‑프리 방법을 제시한다. 로렌츠 시스템과 전력 시스템 모델에 적용해 전이 중 발생할 수 있는 과도 현상이나 시스템 붕괴를 완전히 억제하면서 빠르고 안정적인 전이를 달성한다.

상세 분석

이 연구는 기존 제어 이론이 요구하던 정확한 수식 모델을 배제하고, 데이터‑드리븐 디지털 트윈을 구축한다는 점에서 혁신적이다. 핵심은 파라미터‑aware NGRC이다. NGRC는 입력 시계열과 그 시프트된 복합항을 이용해 결정론적 특성 함수를 구성함으로써, 전통적인 랜덤 저수지와 달리 학습 파라미터와 시스템 파라미터 사이의 연관성을 명시적으로 학습한다. 논문에서는 ρ = 100 ± 0.3 구간의 네 개 주기 궤적만을 사용해 로렌츠 시스템을 학습시켰으며, 5 000 시간 단계의 데이터만으로도 ρ = 99.5와 같이 전혀 보지 못한 혼돈 영역을 정확히 예측한다. 이러한 예측 능력은 ‘예측 평가·선택 스키마’를 통해 제어 전략으로 전환된다. 구체적으로는 비정상적 전이(예: 급격한 파라미터 변화) 시 발생하는 과도 현상을 정량화하기 위해 ‘실행 중 상관 차원(running correlation dimension, rcd)’을 도입하고, 목표 상태의 최대 rcd보다 작게 유지되는 궤적을 후보로 선정한다. 전력 시스템에서는 ‘스펙트럼 엔트로피’를 이용해 주기성 유지 여부와 전이 지속 시간을 측정한다. 이러한 메트릭 기반 선택은 전이 과정에서 발생할 수 있는 혼돈 폭주나 전압 붕괴를 사전에 차단한다. 실험 결과, 로렌츠 시스템에서는 모든 전이 구간에서 과도 확률을 0%로 낮출 수 있었으며, 통계적 기후(상관 차원 및 최대 Lyapunov 지수) 역시 원 시스템과 거의 일치했다. 전력 시스템에서는 35%의 시뮬레이션이 붕괴 위험을 보였음에도, 제어 전략을 적용하면 붕괴 없이 목표 주기 영역으로 빠르게 수렴했다. 특히, 제어에 사용된 NGRC은 전체 파라미터 공간을 10배~100배 적은 데이터로 학습했음에도 높은 예측 정확도를 유지한다는 점에서 데이터 효율성이 뛰어나다. 전체적으로, 파라미터‑aware NGRC와 메트릭 기반 전이 평가·선택 메커니즘은 ‘보이지 않는’ 목표 동역학으로의 안전하고 신속한 전이를 가능하게 하며, 기존 모델 기반 제어나 강화학습 기반 제어가 갖는 계산·해석 복잡성을 크게 낮춘다.