첫 원리 모델과 학습 기반 보강을 위한 선형 분수 표현 접근법

초록

본 논문은 기존의 인공신경망 기반 상태공간 모델에 물리적 선형‑분수‑표현(LFR) 구조를 결합하여, 사전 지식이 포함된 모델을 효율적으로 식별하는 방법을 제안한다. 제안된 LFR‑기반 보강 구조는 다양한 기존 보강 형태를 포괄하며, 인코더 기반 식별 알고리즘과 특수 초기화 기법을 통해 빠른 수렴과 높은 정확도를 달성한다. 시뮬레이션의 경화 질량‑스프링‑댐퍼 시스템과 실제 F1Tenth 전기차 데이터에 적용한 결과, 순수 데이터‑기반 ANN‑SS 대비 추정 속도와 일반화 성능이 크게 향상됨을 보였다.

상세 분석

이 연구는 비선형 시스템 식별 분야에서 두 가지 흐름을 통합한다. 첫 번째는 인코더‑기반 인공신경망 상태공간(ANN‑SS) 모델로, 입력‑출력 데이터를 직접 학습해 고차원 비선형 동역학을 효율적으로 근사한다는 장점이 있다. 두 번째는 물리적 선행지식, 즉 일차원 미분 방정식이나 에너지 보존 법칙 등으로 구성된 첫 원리(FP) 모델이다. 기존 연구에서는 FP 모델을 고정된 보조항으로 삽입하거나, 파라미터를 직접 튜닝하는 방식이 주를 이뤘지만, 이러한 접근은 모델 구조의 유연성을 제한하고, 노이즈에 취약한 경우가 많았다.

논문은 이러한 한계를 극복하기 위해 선형‑분수‑표현(LFR)이라는 수학적 프레임워크를 도입한다. LFR은 시스템을 Δ(s) = M + NΔ(s)·(I−DΔ(s))⁻¹·C 형태로 기술하며, 여기서 Δ(s)는 비선형 블록, M·N·C·D는 선형 블록 행렬이다. 이 구조는 FP 모델을 선형 블록에, ANN‑SS를 비선형 블록에 매핑함으로써, 두 모델을 동일한 수식 안에 자연스럽게 결합한다. 중요한 점은 Δ(s) 블록이 인코더에 의해 파라미터화된 신경망으로 구현되어, 학습 과정에서 FP 모델의 잔차를 보완하도록 설계된다는 것이다.

식별 알고리즘은 두 단계로 구성된다. 초기화 단계에서는 FP 모델 파라미터를 그대로 사용하고, ANN‑SS의 가중치를 사전 학습된 자동인코더(또는 사전 학습된 시뮬레이션 데이터)로 초기화한다. 이렇게 하면 비선형 블록이 급격히 변하지 않아, 최적화 초기에 발생할 수 있는 발산을 방지한다. 두 번째 단계는 전체 LFR 구조를 엔드‑투‑엔드로 미분가능하게 만든 뒤, 확률적 경사 하강법(SGD) 혹은 Adam 옵티마이저를 이용해 손실함수(예: 평균제곱오차 + 정규화 항)를 최소화한다. 손실함수에 FP 모델과 ANN‑SS 사이의 상호작용을 강조하는 가중치를 부여함으로써, 물리적 일관성을 유지하면서도 데이터 적합성을 확보한다.

실험에서는 (1) 경화 비선형 스프링‑댐퍼 시스템을 시뮬레이션으로 생성한 데이터에 적용해, 전통적인 ANN‑SS 대비 30% 이상의 추정 오차 감소와 2배 이상의 학습 속도 향상을 확인하였다. (2) 실제 F1Tenth 전기차의 주행 데이터에 적용했을 때, 제안된 LFR‑보강 모델은 코너링 및 가속 구간에서 기존 모델보다 15% 정도 낮은 RMS 에러를 기록했으며, 특히 노이즈가 심한 센서 데이터에서도 안정적인 예측을 유지했다. 이러한 결과는 FP 모델이 제공하는 구조적 제약이 비선형 블록의 학습을 가이드함으로써, 과적합을 방지하고 일반화 능력을 크게 향상시킨다는 것을 실증한다.

결론적으로, LFR 기반의 모델 보강은 물리적 선행지식과 데이터‑주도 학습을 통합하는 강력한 프레임워크를 제공한다. 이는 복잡한 비선형 시스템을 빠르게 식별하고, 해석 가능성을 유지하면서도 높은 정확도를 달성하려는 실무 및 연구 현장에 큰 영향을 미칠 것으로 기대된다.