베이지안 기반 물리 모델 예측과 제약 합성 공정 최적화

논문은 산업 공정 품질 관리에서 물리 모델(ODE)과 베이지안 통계의 결합 필요성을 제시한다. 서론에서는 물리 모델이 실험 데이터를 보완하지만, 수치 해석 비용이 높아 파라미터 추정과 예측에 병목이 된다고 지적한다. 이를 해결하기 위해 최신 베이지안 계산 기법과 통계적 에뮬레이션(가우시안 프로세스)을 활용한다는 연구 목표를 제시한다. 배경 섹션에서는 9가지 물질(A–I) 간의 화학 반응을 설명하고, 목표 물질(F)와 부산물(E, H)의 양을 제어 변수(x₁…x₅)와 시간 t에 따라 결정되는 비선형 ODE 시스템(식 2)으로 모델링한다. 반응 속도 상수 k₁은 고정(10 000)하고, 나머지 k₂⁻, k₂⁺, k₃는 아레니우스 식을 통해 온도 의존성을 포함한다. 로그 변환된 파라미터 θ = log γ는 베이지안 사전분포(N(μ, Δ))를 갖는다. 실험은 5개의 고유 조합과 1개의 복제 조합으로 구성되며, 각 조합에서 17~20개의 시간점에 E, F, H를 측정한다. 검출 한계 χ = 0.01 mol 이하의 값은 좌측 검열로 처리한다. 관측 행렬 Y는 총 109 × 3 형태이며, 동일한 실험 설계가 통계적 최적 설계는 아니다. 통계 모델은 Y = G(M(θ)+D)+E 형태로 정의된다. M(θ)는 모든 고유 설계·시간에 대한 ODE 해 μ(θ;x,t)의 행렬이며, D는 모델 불일치를 나타내는 행렬 정규분포(MN(0, Σ, S))이다. S는 설계 변수와 시간 차이에 기반한 지수 상관 구조(ψ₁, ψ₂)로 정의된다. 관측 오차 E는 행렬 정규분포(MN(0, Ω, T))이며, T는 동일 실험 내 시간 차이에 대한 가우시안 커널(ρ)이다. 베이지안 추정은 MCMC를 통해 수행한다. 그러나 매 샘플마다 ODE를 수치해석하면 계산량이 급증하므로, 다변량 가우시안 프로세스 에뮬레이터를 구축한다. 에뮬레이터는 θ, x, t 입력에 대해 μ를 빠르게 예측하고, 예측 불확실성도 제공한다. 이를 통해 Riemann manifold Langevin Metropolis‑Hastings와 parallel tempering을 적용한 효율적인 샘플링이 가능해졌다. 사후 샘플을 이용해 각 설계점에서 사양 만족 확률 P(E<3, F>20, H<3 | θ, x, t)를 추정한다. 이 확률을 목표 함수로 설정하고, 기대 확률을 최대화하는 최적화 절차를 수행한다. 결과적으로, 온도 305–310 K, 초기 A와 D의 중간값, 적절한 반응 시간(≈1500 s)에서 목표 확률이 0.85 이상으로 높아짐을 확인했다. 또한, 파라미터 사후 분포와 모델 불일치 구조를 통해 불확실성 원인을 진단하고, 실험 설계 개선 방향을 제시한다. 논의에서는 베이지안 접근이 설계 공간을 확률적으로 정의함으로써 전통적인 결정론적 설계보다 안전 마진을 제공한다는 점을 강조한다. 또한, 검열 데이터와 모델 불일치를 동시에 다루는 프레임워크가 실제 공정에서 흔히 발생하는 측정 한계와 모델 오차를 포괄한다는 장점을 언급한다. 제한점으로는 에뮬레이터 구축에 필요한 초기 설계 포인트가 충분히 다양해야 한다는 점과, 고차원 파라미터 공간에서 사전분포 선택이 결과에 민감할 수 있다는 점을 들었다. 향후 연구에서는 적응형 설계(Active Learning)와 다중 목표 최적화를 결합해 더욱 효율적인 설계 공간 탐색을 목표로 한다.