실험 데이터로 불일치 모델을 학습하는 새로운 방법

본 논문은 복잡한 물리 시스템을 모델링할 때 흔히 발생하는 모델‑불일치 문제를 해결하기 위해, 기존의 첫 원리 모델링과 최신 데이터‑드리븐 식별 기법을 결합한 새로운 프레임워크를 제안한다. 저자들은 모델‑불일치를 ‘동적 시스템의 차이’로 정의하고, 이를 희소한 함수 라이브러리로 표현할 수 있다는 가정 하에 SINDy(sparse identification of nonlinear dynamics) 알고리즘을 적용한다. 논문은 먼저 문제 정의와 관련 연구를 정리한다. 모델‑불일치는 측정 노이즈, 파라미터 오차, 구조적 부정합, 외부 교란 등 다양한 원인으로 발생한다. 기존 베이지안 접근법은 사전 분포 선택에 의존하고, 강화학습 기반 방법은 해석 가능성이 낮다. 이러한 한계를 극복하고자 저자들은 SINDy의 희소 회귀를 이용해 불일치 함수를 직접 추출한다. 구체적인 절차는 다음과 같다. (1) 실험 혹은 시뮬레이션으로부터 상태 \(x(t)\)와 그 시간미분 \(\dot x(t)\)를 수집한다. (2) 불완전한 물리 모델 \(f_m(x,u;\mu_1)\)을 이용해 예측된 동역학을 계산하고, 실제 측정값과의 차이 \(\delta\dot X = \dot X - f_m(X,U;\mu_1)\)를 구한다. (3) 다항식, 삼각함수, 상호작용 항 등으로 구성된 후보 함수 라이브러리 \(\Theta(X,U)\)를 구축한다. (4) \(\delta\dot X = \Theta(X,U)\Xi\) 형태의 선형 회귀 문제에 L1 정규화를 적용해 가장 중요한 몇 개의 항만을 남긴다. 이렇게 얻어진 \(\Xi\)는 물리적으로 의미 있는 불일치 항을 제공한다. 저자들은 두 가지 사례를 통해 방법의 효용성을 검증한다. 첫 번째는 Van der Pol 진동자를 이용한 시뮬레이션 실험이다. 파라미터 \(\alpha\) 오차와 구조적 부정합(선형 항 누락) 두 경우 모두에서 SINDy가 정확히 누락된 항을 복원하고, 보정된 모델이 원래 시스템을 높은 정확도로 재현한다는 것을 보여준다. 두 번째는 실제 실험 장치인 이중진자‑카트 시스템이다. 이상적인 해밀토니안 모델은 에너지 보존을 가정하지만, 실제 장치는 관절 마찰, 풍동 저항 등 비보존 효과가 존재한다. 실험 데이터로부터 SINDy는 이러한 비보존 항을 포함하는 불일치 모델을 도출하고, 이를 기존 모델에 피드‑포워드 형태로 결합한다. 결과적으로 제어 시뮬레이션에서 궤적 추적 오차가 크게 감소하고, 시스템의 안정적인 스윙‑업이 가능해졌다. 논문은 또한 불일치 모델이 물리적 직관을 제공함으로써 새로운 현상(예: 비선형 마찰 형태) 탐색에 활용될 수 있음을 강조한다. 마지막으로, 현재 방법의 제한점—함수 라이브러리 설계에 대한 사전 지식 의존성, 고차원 시스템에서의 계산 복잡도, 노이즈에 대한 민감도—을 논의하고, 자동 함수 선택, 베이지안 스파스 회귀, 실시간 적응형 업데이트 등 향후 연구 방향을 제시한다. 전반적으로 이 연구는 복잡계 모델링에서 물리적 선행 지식을 유지하면서도 데이터 기반 보정을 통해 예측 및 제어 성능을 크게 향상시킬 수 있는 실용적인 도구를 제공한다.