다중 해상도 비모수 베이지안 프레임워크를 이용한 공간 가변 모델 파라미터 식별

본 논문은 물리 기반 모델, 특히 편미분방정식(PDE)으로 기술되는 시스템에서 공간적으로 변하는 파라미터(예: 밀도, 전도도, 투과성 등)를 잡음이 섞인 관측 데이터로부터 추정하는 새로운 베이지안 프레임워크를 제안한다. 기존 베이지안 접근법은 고차원 파라미터 공간에서의 샘플링 비용이 크게 늘어나고, 사전 모델링이 격자 크기에 종속되는 등 실용적인 한계가 있었다. 이를 해결하기 위해 저자는 다음과 같은 핵심 요소들을 설계하였다. 1. **비모수 희소 사전 모델** 파라미터 필드를 커널 함수(예: 가우시안 RBF)의 선형 결합으로 표현하고, 커널의 위치·스케일·가중치를 베이지안 변수로 두었다. 커널 수 자체도 확률 변수로 두어 데이터에 따라 자동으로 차원을 조절한다. 이는 파라미터가 실제로 변하는 영역만을 집중적으로 표현하게 하여 희소성을 자연스럽게 유도한다. 2. **다중 해상도 전방 솔버 계층** 전방 모델을 여러 해상도(코스트가 낮은 coarse → 비용이 높은 fine)로 구현하고, 순차적으로 적용한다. 초기 단계에서는 coarse 솔버만으로 전체 영역의 대략적인 패턴을 파악하고, 이후 단계에서 finer 솔버를 사용해 세부 정보를 보강한다. 이렇게 하면 고해상도 시뮬레이션을 최소 횟수만 호출하면서도 정확도를 확보할 수 있다. 3. **Sequential Monte Carlo (SMC) 샘플링** 파티클 기반의 SMC 알고리즘을 도입해 사후분포를 단계별로 근사한다. 각 파티클은 현재 해상도에서의 파라미터 샘플이며, 중요도 가중치에 따라 재샘플링하고, MCMC와 유사한 리프레시 연산으로 다양성을 유지한다. 파티클들의 전파는 서로 독립적이므로 대규모 병렬 처리에 적합하고, 다중 모달 사후분포에서도 효율적으로 탐색한다. 4. **불확실성 정량화 및 모델 오류 평가** 베이지안 접근의 장점인 사후 신뢰구간과 예측 불확실성을 그대로 제공한다. 또한, 서로 다른 해상도의 전방 모델 간 차이를 사후분포를 통해 정량화함으로써, 모델링 오류나 격자 의존성을 명시적으로 평가할 수 있다. **수치 실험** - *1차원 열전도 문제*: 단위 구간에 대한 전도도 함수를 복원하는 실험에서, 관측점 간격이 전도도 변동 스케일보다 크게 차이날 때도 커널 기반 비모수 모델이 정확히 변화를 포착했다. - *비선형 고체역학*: 복합 재료의 탄성·소성 모듈러스를 추정하는 사례에서, 잡음이 섞인 변위·응력 데이터로부터 파라미터 필드를 복원하였다. 저해상도 솔버만 사용했을 때는 큰 오차가 발생했지만, 단계적으로 fine 솔버를 도입하면서 평균 절대 오차가 30 % 이상 감소하고, 전체 시뮬레이션 시간은 70 % 이상 절감되었다. **의의와 한계** 제안된 프레임워크는 (i) 파라미터 차원을 자동 조절하는 비모수 사전, (ii) 비용 효율적인 다중 해상도 전방 모델 활용, (iii) 병렬화가 용이한 SMC 샘플링이라는 세 축을 결합함으로써, 고비용 전방 시뮬레이션이 필요한 실세계 PDE 역문제에 실용적인 베이지안 해법을 제공한다. 다만, 커널 선택(형태·초기 위치)과 파티클 수에 대한 경험적 튜닝이 필요하며, 매우 고차원(수천~수만) 문제에서는 파티클 수가 급증할 가능성이 있다. 향후 연구에서는 자동 커널 적응 메커니즘과 고차원 SMC 효율화 기법을 도입해 확장성을 더욱 강화할 수 있을 것이다.