MonteCarloMeasurements.jl: 입자 기반 확률 전파와 자동 미분

MonteCarloMeasurements.jl은 Julia 언어 생태계에 새롭게 도입된 확률 전파 도구로, 확률분포를 입자(Particles)라는 데이터 구조로 표현한다. 입자는 무가중치 샘플을 다수 보유한 벡터이며, 이 구조체는 Real 타입을 상속받아 기본 산술 연산과 함수 호출을 그대로 사용할 수 있게 설계되었다. 사용자는 a = π ± 0.1 과 같이 ± 연산자를 통해 가우시안 불확실성을 가진 변수를 선언하고, sin(a), a / b, A * p 등 복합 연산을 수행하면 내부적으로 입자 집합에 대해 동일 연산을 병렬적으로 적용한다. 이렇게 함으로써 확률분포가 비선형 함수에 의해 어떻게 변형되는지를 정확히 추적할 수 있다. 패키지는 두 가지 입자 타입을 제공한다. 일반 입자는 동적 배열을 사용해 대규모 샘플을 저장하고, StaticParticles는 StaticArrays 기반으로 고정 크기의 입자를 저장해 메모리 오버헤드를 최소화한다. 특히 SIMD(단일 명령 다중 데이터) 명령어를 활용해 입자 연산을 벡터화함으로써 CPU 캐시 효율을 극대화하고, 수백만 개의 입자에 대해서도 실시간 수준의 연산이 가능하도록 최적화했다. 다변량 확률 전파에서도 강력한 기능을 제공한다. 행렬·벡터 연산을 입자 수준에서 수행해 결과 입자들의 공분산을 직접 계산한다. 예시에서는 무작위 2×2 행렬 A와 입자 벡터 p를 곱해 y = A·p 를 얻고, cov(y) 를 통해 실험적 공분산을 구한 뒤, 이론적 공분산 A·Diag(σ²)·Aᵀ와 비교해 오차가 미미함을 확인한다. 또한 Unscented Transform과 Sigma‑Points 기법을 입자 기반으로 구현해 비선형 변환의 2차 통계량을 효율적으로 근사한다. 이때 체계적 샘플링(Systematic Sampling) 기법을 사용해 샘플의 대표성을 높이고, 샘플 수를 최소화하면서도 정확도를 유지한다. 패키지는 Julia의 다른 패키지와 원활히 연동된다. Distributions.jl에서 제공하는 다양한 확률분포를 입자 형태로 변환할 수 있으며, Plots.jl을 이용해 입자 집합의 히스토그램이나 시계열을 시각화한다. ODEProblem에 입자를 직접 전달해 불확실성 전파를 수행하는 예시에서는, 물리 모델의 파라미터에 불확실성을 부여하고, 솔버가 각 입자에 대해 독립적으로 적분을 수행해 결과 분포를 얻는다. 자동 미분 패키지 ForwardDiff.jl과도 호환돼, 입자 기반 변수에 대한 미분을 자동으로 계산해 확률적 최적화 문제에 적용할 수 있다. 성능 평가에서는 전통적인 Monte‑Carlo 시뮬레이션과 비교해 SIMD 최적화 덕분에 5배 이상 빠른 실행 시간을 기록했다. 입자 수가 증가해도 메모리 사용량이 선형적으로 증가하며, 정밀도는 표본 수에 따라 기대값과 분산이 수렴한다. 제한점으로는 차원이 매우 높아질 경우 입자 수가 급증해 메모리와 계산 비용이 크게 늘어날 수 있다는 점이다. 또한, 입자 기반 방법은 표본 오차를 내포하므로, 매우 높은 정확도가 요구되는 상황에서는 추가적인 보정이 필요할 수 있다. 결론적으로 MonteCarloMeasurements.jl은 확률적 모델링을 기존 수치 코드에 최소한의 수정만으로 통합할 수 있게 해 주며, 고성능 SIMD 연산과 Julia 생태계와의 원활한 연동을 통해 연구자와 엔지니어가 복잡한 불확실성 전파와 최적화를 손쉽게 수행하도록 지원한다.