대규모 네트워크 데이터 기반 제어와 형식 보증 소규모 이득 조건 없이

초록

본 논문은 모델과 연결 토폴로지가 알려지지 않은 대규모 상호 연결 네트워크에 대해, 각 에이전트를 데이터로부터 추출한 심볼릭 모델로 대체하고, 지역 제어기를 설계함으로써 전역적인 형식 보증을 제공한다. 기존의 작은 이득(small‑gain) 조건을 필요로 하지 않으며, 샘플 복잡도를 네트워크 규모에 대해 선형으로 감소시킨다.

상세 분석

이 연구는 크게 네 가지 핵심 기여를 제시한다. 첫째, 각 서브시스템(에이전트)의 연속‑시간 동역학을 직접 식별하지 않고, 수집된 궤적 데이터만으로 심볼릭 모델(이산화된 근사 모델)을 구성한다. 이를 위해 저자들은 기존의 교대 서브바이시멀레이션 함수(ASBF)를 강인 최적화(Robust Optimization Problem, ROP) 형태로 재정의하고, 데이터 기반 시나리오 최적화(Scenario Optimization Problem, SOP)를 도입해 ROP을 근사한다. SOP는 유한 개의 샘플 궤적을 이용해 확률적 보장을 제공하면서도 계산량을 크게 줄인다.

둘째, 제안된 데이터‑드리븐 합성 조건은 각 서브시스템의 ASBF를 이용해 전체 네트워크의 교대 바이시멀레이션 함수(ABF)를 구성한다. 기존 합성 이론에서는 작은 이득 조건이 필수였으며, 이는 정확한 연결 매핑 g에 대한 사전 지식을 요구한다. 여기서는 g를 완전히 알 필요 없이, 데이터가 내재적으로 연결 효과를 반영하도록 설계된 SOP(식 14)와 관련 보조 정리를 통해 ABF를 증명한다. 따라서 토폴로지에 대한 가정이 사라지고, 네트워크가 동적으로 변하거나 에이전트가 추가·삭제되는 상황에도 적용 가능하다.

셋째, 샘플 복잡도 분석에서 저자들은 기존 방법이 네트워크 차원에 대해 지수적(Exponential) 증가하는 반면, 제안 방식은 에이전트 수 N에 대해 O(N) 수준으로 선형 확장을 보인다. 이는 각 서브시스템 별로 독립적인 데이터 수집과 SOP 해결이 가능하기 때문에, 병렬 처리와 분산 학습을 자연스럽게 지원한다는 의미이다.

넷째, 실험에서는 3개의 벤치마크(무작위 연결 네트워크, 차량 플릿, 대규모 전력망)에서 에이전트 수가 수천에서 만 단위에 이르는 경우에도 성공적으로 심볼릭 모델을 구축하고, 지역 제어기를 합성해 전역적인 안전·도달성(specification) 요구를 만족시켰다. 특히, 기존 연구가 8‑차원 정도까지만 실험한 것에 비해, 본 논문은 10,000개 이상의 서브시스템을 동시에 다루며 완전(complete) 추상화를 제공한다는 점에서 실용적 의의를 갖는다.

이러한 기법은 (1) 모델 불확실성이 큰 복합 시스템, (2) 연결 구조가 동적으로 변하는 사물인터넷(IoT) 네트워크, (3) 데이터만으로 빠른 검증·제어가 요구되는 사이버‑물리 시스템 등에 직접 적용 가능하다. 또한, 작은 이득 조건을 포기함으로써 기존 합성 이론의 제한을 넘어서는 새로운 데이터‑중심 합성 프레임워크를 제시한다는 점에서 이론적·실용적 기여가 크다.