물리 기반 구조 학습으로 보장된 안정성을 갖는 재귀 신경망

본 연구는 대규모 및 네트워크화된 시스템(예: 전력망, 제조 공정, 교통 시스템)에서 제어 설계에 활용할 수 있는 정확하고 물리적 일관성을 갖는 모델을 요구하는 문제에서 출발한다. 기존의 재귀 신경망(RNN)은 비선형 동적 특성을 효과적으로 포착하지만, 완전한 블랙‑박스 특성으로 인해 물리적 구조나 안정성 보장이 결여된다. 이러한 한계를 극복하기 위해 저자들은 ‘physics‑informed structured learning’이라는 새로운 학습 프레임워크를 제안한다. 첫 단계에서는 시스템을 여러 서브플랜트(𝑛ₛ)로 분할하고, 각 서브플랜트 i가 입력 𝑢ᵢ와 출력 𝑦ᵢ를 갖는다고 가정한다. 서브플랜트 간 상호작용은 인접 이웃 집합 𝒩ᵤ,𝑖와 𝒩ₓ,𝑖을 통해 정의되며, 이는 물리적 연결 구조를 그대로 반영한다. 이러한 모듈성은 데이터 기반으로도 식별 가능하다고 주장하며, 비중첩(non‑overlapping) 분해를 통해 각 서브모델 𝒢ᵢ의 차수를 최소화한다. 다음으로, 저자들은 재귀 평형 네트워크(RENs) 형태의 RNN 모델을 채택한다. REN은 고정점 방정식 형태로 상태를 정의하므로, 파라미터를 직접 설계해 계약성(contractivity) 및 강건 안정성(δ‑ISS)을 보장할 수 있다. 논문에서는 δ‑ISS를 만족시키는 충분조건을 LMI 형태로 유도한다. 구체적으로, 가중치 행렬과 바이어스에 대한 선형 부등식들을 구성해, 해당 LMI를 만족하면 시스템이 입력‑상태 안정성을 갖는다는 이론적 근거를 제시한다. 학습 문제는 두 가지 경우로 나뉜다. (1) 노이즈가 없는 경우는 최소제곱(LSE) 문제로 전개되며, (2) 노이즈가 존재하거나 불확실성이 큰 경우는 집합‑멤버십(set‑membership) 접근을 사용한다. 두 경우 모두 목적함수는 볼록이며, LMI 제약을 포함한 반볼록 최적화 문제로 변환된다. 이때 사용되는 최적화 도구는 SDP 솔버이며, 전역 최적해를 보장한다. 특히, 시스템이 구조적 모듈성을 가질 경우, 전체 최적화 문제는 각 서브플랜트별로 분리될 수 있다. 각 서브플랜트 i는 자체적인 LMI 집합을 풀고, 인접 서브플랜트와는 변수(예: 경계 상태, 입력 교환)만을 공유한다. 이 과정은 ADMM(Alternating Direction Method of Multipliers)과 유사한 분산 알고리즘으로 구현될 수 있어, 병렬화와 통신 비용 최소화를 동시에 달성한다. 실험에서는 두 가지 시나리오가 제시된다. 첫 번째는 전력망 모델링으로, 각 버스가 서브플랜트에 해당하고, 전압 및 전류 흐름이 인접 버스와 연결된다. 제안된 물리‑제약 RNN은 전통적인 데이터‑기반 RNN에 비해 예측 오차가 크게 증가하지 않으면서도, δ‑ISS 보장을 통해 제어 시뮬레이션에서 안정적인 전압 복구를 달성한다. 두 번째는 제조 공정 라인 모델링으로, 공정 단계 간 물질 흐름을 서브플랜트 간 연결로 표현한다. 여기서도 구조적 제약을 반영한 RNN이 동일한 예측 정확도를 유지하면서, 제어기에 적용했을 때 로버스트한 추적 성능을 보인다. 결론적으로, 논문은 (i) 물리적 구조와 안정성 제약을 학습 단계에 직접 포함시켜 모델의 물리적 일관성을 확보하고, (ii) 볼록 최적화와 LMI 기반 제약을 통해 전역 최적해와 안정성 보장을 동시에 달성하며, (iii) 모듈식 분산 학습을 통해 대규모 시스템에 적용 가능한 스케일러블 프레임워크를 제공한다는 점에서 의미가 크다. 향후 연구에서는 비선형 제약의 확장, 실시간 온라인 학습, 그리고 제어 설계와의 통합을 통한 전반적인 시스템‑레벨 최적화를 목표로 할 수 있다.