다중척도 확산에서 최대우도 추정과 서브샘플링

본 연구는 다중척도 확산 과정, 즉 빠른 변수 y와 느린 변수 x가 서로 결합된 SDE 시스템에서, 느린 변수만을 관측한 데이터로부터 코스 그레인드(느린) 모델의 드리프트 파라미터를 최대우도법(MLE)으로 추정하는 문제를 다룬다. 저자들은 두 가지 전형적인 다중척도 구조를 정의한다. 첫 번째는 평균화(averaging) 형태로, fast 변수의 동역학이 ε⁻¹ 스케일로 가속화되고, drift에 직접적인 ε 의존성이 없는 경우이다. 두 번째는 동질화(homogenization) 형태로, fast 변수와의 상호작용이 ε⁻² 스케일로 강하게 작용하며, drift에 ε⁻¹ 항이 포함된다. 두 경우 모두 적절한 가정(ergodicity, Poisson 방정식 해 존재, 계수의 유계성 등) 하에 ε→0 극한에서 느린 변수 x(t)가 제한 과정 X(t)를 만족한다는 평균화·동질화 정리를 이용한다. 제한 과정은 dX_t = F(X_t;θ)dt + K(X_t)dW_t 형태이며, 여기서 θ는 추정하고자 하는 파라미터이다. MLE는 연속시간 로그우도 함수를 기반으로 정의되며, 실제 데이터는 연속시간이 아니라 이산시간 샘플링된 형태이므로, 로그우도는 시간 간격 Δt→0 한계에서 해석된다. 평균화 문제에서는 fast 변수의 미세 진동이 이미 평균화된 drift F에 포함돼 있어, 로그우도는 θ_0(진짜 파라미터)를 정확히 복원한다. 따라서 MLE는 편향이 없으며, 표본 크기가 커질수록 통계적 효율성을 갖는다. 반면 동질화 문제에서는 fast 변수의 고주파 진동이 로그우도에 추가적인 교차항 E_∞를 만든다. 이 항은 Poisson 방정식 해 Φ와 diffusion 행렬 K 사이의 복합적인 내적으로 표현되며, ε→0 한계에서도 사라지지 않는다. 결과적으로 MLE는 θ_0와 다른 값으로 수렴하게 되며, 이는 모델과 데이터 간의 스케일 불일치가 원인이다. 이를 해결하기 위해 저자들은 데이터 서브샘플링 전략을 제안한다. 샘플링 간격 Δt를 ε와 1 사이의 스케일(예: Δt≈ε^α, 0<α<1)로 선택하면, 고주파 성분이 효과적으로 평균화되고, 추가 교차항이 사라진다. 정리 4.1·4.5는 이러한 서브샘플링이 MLE의 편향을 제거하고, 다시 θ_0를 일관적으로 추정할 수 있음을 엄밀히 증명한다. 또한, 로그우도 오차 E_∞의 명시적 식을 제공해, 실제 데이터에 적용할 때 오차 규모를 사전에 평가할 수 있다. 논문 말미에서는 두 개의 구체적인 예시를 제시한다. 첫 번째는 다중척도 퍼텐셜을 갖는 입자 시스템으로, fast 변수는 작은 진동을, slow 변수는 큰 스케일 이동을 담당한다. 여기서 평균화 경우 MLE가 정확히 파라미터를 복원하는 반면, 동질화 경우 서브샘플링 없이 큰 편향이 나타난다. 두 번째 예시는 격자 기반의 분자 동역학 모델로, 유사한 결과가 관찰된다. 실험 결과는 이론적 예측과 일치하며, 서브샘플링이 동질화 문제에서 필수적임을 강조한다. 결론적으로, 다중척도 SDE에서 느린 변수만을 이용해 코스 그레인드 모델을 추정할 때는 평균화와 동질화의 차이를 명확히 인식해야 하며, 특히 동질화 상황에서는 적절한 서브샘플링을 통해 고주파 잡음을 제거해야 정확한 파라미터 추정이 가능함을 보여준다.