데이터 과학과 동역학 이론의 융합: 연산자 기반 예측과 코히런트 패턴 추출

본 리뷰 논문은 현대 과학이 데이터 혁명이라는 급격한 변화를 겪고 있는 상황에서, 복잡계의 동역학을 이해하고 예측하기 위한 수학적·통계적 도구들을 체계적으로 정리한다. 저자는 먼저 동역학 시스템 Φₜ:Ω→Ω 를 정의하고, 관측 함수 X와 Y 를 통해 얻어지는 시간 시계열 데이터를 훈련 데이터로 설정한다. 여기서 X는 일반적인 비선형 변환을 허용하는 공변량 공간 𝓧 로, Y는 응답 변수 공간 𝓨 로 지정된다. 두 가지 핵심 문제를 제시한다. 문제 1(통계적 예측)은 주어진 훈련 데이터로부터 Zₜ:𝓧→𝓨 를 학습해, 초기 공변량 x₀에 대해 Zₜ(x₀) 가 실제 미래 응답 Y∘Φₜ 를 가장 가깝게 근사하도록 하는 것이다. 문제 2(코히런트 패턴 추출)는 동역학에 따라 일관되게 진화하는 관측 함수 집합 {z_j} 를 찾아내는 것으로, 이는 동역학적 구조를 파악하고 차원 축소 및 해석에 핵심적인 역할을 한다. 전통적인 방법으로는 Lorenz의 아날로그 기법, 지역 선형 모델, 그리고 POD/EOF와 같은 선형 차원 축소 기법이 있다. 아날로그 기법은 현재 상태와 과거 데이터 중 가장 유사한 ‘아날로그’를 찾아 그 진화를 그대로 사용한다. POD는 데이터 행렬의 특이값 분해를 통해 가장 큰 분산을 설명하는 선형 모드를 추출한다. 그러나 POD는 동역학적 의미가 부족하고, 비선형 시스템에서 중요한 코히런트 모드를 놓칠 수 있다. 이러한 한계를 극복하기 위해 저자는 연산자 이론, 특히 Koopman 연산자와 Perron‑Frobenius 연산자를 중심으로 한 프레임워크를 제시한다. 관측 함수 공간 F (예: C(A,𝓨) 혹은 Lᵖ(µ,𝓨)) 위에서 정의되는 Koopman 연산자 Uₜ는 선형이지만, 원래 시스템이 비선형이더라도 이 연산자를 통해 선형 대수적 도구를 적용할 수 있다. µ‑불변 측도 하에서 L²(µ) 는 Hilbert space 가 되며, Uₜ는 유니터리 군을 이룬다. 이때 생성자 V는 스키‑어드조인트이며, 스펙트럴 정리를 통해 V와 Uₜ를 스펙트럴 측도 E 로 표현한다. 스펙트럴 측도는 원자적 성분 Eᵃ와 연속 성분 Eᶜ 로 분해된다. 원자적 성분은 고유함수 z_j 와 고유주파수 α_j 를 제공하며, 이러한 고유함수는 시간에 따라 단순히 위상만 변하는 코히런트 모드이다. 반면 연속 성분은 혼합(mixing) 특성을 나타내어 장기 상관이 소멸한다. 따라서 코히런트 패턴 추출은 본질적으로 Eᵃ에 해당하는 고유함수를 찾는 문제와 동일하다. 예측 문제에 대해 저자는 다음과 같은 절차를 제시한다. 1) X가 단사라고 가정하고, 푸시포워드 측도 ν = X_* µ 를 정의한다. 2) L²(ν) 의 정규 직교 기저 {u_j} 를 선택한다(실제 구현에서는 데이터‑드리븐 커널 기반 기저나 딥러닝 기반 인코더가 사용될 수 있다). 3) φ_j = u_j∘X 로 L²(µ) 의 기저를 만든다. 4) Uₜ를 φ_j에 대한 유한 차원 투영 Uₜ^L 로 근사한다. 이는 행렬 U(t)_{ij}=⟨φ_i, Uₜ φ_j⟩ 로 구성되며, 데이터만으로 추정 가능하다. 5) Y의 투영 계수 ŷ_j = ⟨Uₜ Y, φ_j⟩ 를 계산하고, 이를 행렬 연산 U(t)·ŷ 로 업데이트한다. 6) 최종 예측 함수 Ẑ_{t,L}(x)= Σ_{j=0}^{L-1} (U(t)·ŷ)_j u_j(x) 를 얻는다. 이 방법은 L→∞ 일 때 L²(µ) 노름에서 수렴함을 보이며, 따라서 훈련 데이터 양 N이 증가함에 따라 예측 정확도가 이론적으로 보장된다. 그러나 실제 적용 시에는 (i) 불변 측도 µ와 그에 대한 정확한 기저를 알 수 없으며, (ii) Uₜ를 직접 적용하려면 흐름 Φₜ를 알아야 하는데 이는 대부분 불가능하고, (iii) L²(µ) 는 점wise 평가가 불가능하므로 최종 예측값을 실제 물리량으로 변환하는 재구성 단계가 필요하다는 실용적 제약이 있다. 이를 해결하기 위해 저자는 커널 방법, 딜레이 임베딩, 그리고 데이터‑드리븐 사전학습 모델을 결합한 하이브리드 접근법을 제안한다. 결론적으로, 연산자 이론과 통계 학습 이론을 결합한 비모수적 방법은 (1) 비선형·고차원 시스템에서도 이론적 수렴을 보장하고, (2) 고유함수와 같은 물리적으로 의미 있는 코히런트 모드를 자동으로 추출하며, (3) 관측 공간이 비선형이더라도 적절한 사전 변환을 통해 선형 연산자 형태로 문제를 전환한다는 장점을 제공한다. 이는 기존의 블랙‑박스 딥러닝 모델이 갖는 해석 불가능성 문제를 완화하고, 과학적 인사이트와 예측 정확성을 동시에 달성할 수 있는 새로운 패러다임을 제시한다.