혼돈 시계열을 대수 방정식으로: 해석 가능한 모델링을 위한 심볼릭 머신러닝

이 논문은 혼돈 시간 계열 예측 문제를 해석 가능한 대수 방정식 학습 문제로 재정의하고, 이를 위한 두 가지 새로운 심볼릭 예측 방법론을 제안하며, 대규모 실험을 통해 그 유효성을 입증한다. 연구의 동기는 혼돈 시스템 예측의 본질적 어려움과 현대 딥러닝 모델의 블랙박스 한계에서 출발한다. 혼돈 시스템은 초기 조건에 대한 민감한 의존성과 강한 비선형성으로 인해 장기 예측이 극히 제한되며, 딥러닝 모델은 높은 단기 예측 정확도를 보일지라도 내부 메커니즘이 불투명하여 과학적 이해나 신뢰 구축에 기여하지 못한다. 이에 저자들은 데이터로부터 명시적이고 해석 가능한 대수 방정식을 직접 학습하는 '심볼릭 예측' 패러다임을 제시한다. 제안 방법론은 두 가지로, 각각 심볼릭 회귀의 서로 다른 철학을 반영한다. 첫째, **SyNF(Symbolic Neural Forecaster)**는 신경망 기반 방정식 학습 아키텍처를 예측 작업에 적용한다. 이 방법은 신경망의 계층을 수학적 연산자(덧셈, 곱셈, 삼각함수 등)의 조합으로 해석할 수 있는 EQL 네트워크를 활용한다. 네트워크 가중치를 통해 방정식의 계수와 구조가 동시에 학습되며, 전체 과정이 미분 가능하므로 기울기 하강법을 사용한 효율적인 최적화가 가능하다. 이는 신경망의 표현력과 심볼릭 모델의 해석 가능성을 결합한 하이브리드 접근법이다. 둘째, **SyTF(Symbolic Tree Forecaster)**는 진화 알고리즘 기반의 심볼릭 회귀를 예측기에 적용한다. PySR 라이브러리를 기반으로 하며, 유전 프로그래밍을 통해 가능한 모든 수학 표현식 트리 공간을 탐색한다. 이 방법은 정확도(예: MSE)와 모델 복잡도(트리 노드 수)를 동시에 평가하는 다목적 최적화를 수행하여, 파레토 프론트 상의 최적 해 집합을 찾는다. 이를 통해 사용자는 정확도와 간결성 사이에서 원하는 트레이드오프를 선택할 수 있다. 실험 평가는 체계적으로 설계되었다. 합성 데이터로는 132개의 서로 다른 저차원 혼돈 어트랙터(로렌츠, 뢰슬러, 추아 회로 등)로부터 생성된 시계열을 사용했다. 각 시계열은 1200개 포인트로 생성되었으며, 롤링 윈도우 방식을 사용한 1단계 앞 예측(nowcasting) 작업을 수행했다. 실제 데이터로는 푸에르토리코 산후안의 주간 덴기열 발병 건수와 엘니노 3.4 지역의 해수면 온도 지수(Niño 3.4 SST) 두 가지를 선정했다. 비교 대상 모델은 ARIMA, SVR, 랜덤 포레스트, XGBoost, LSTM, Transformer, N-BEATS 등 다양한 클래식 및 현대 기법을 포함한다. 결과에 따르면, 제안된 SyNF와 SyTF는 대부분의 데이터셋에서 기준 모델들과 비교 가능한, 때로는 더 우수한 1단계 예측 정확도를 보였다.更重要的是, 이러한 성능은 블랙박스 모델과 달리 해석 가능한 대수 방정식 형태로 제공되었다. 예를 들어, 학습된 방정식은 시스템의 주요 비선형 상호작용(예: 제곱항, 삼각함수 항)이나 지배적인 피드백 구조를 드러낼 수 있다. 이는 예측 모델이 단순한 점 추정치를 넘어, 시스템 동역학에 대한 과학적 이해의 출발점이 될 수 있음을 의미한다. 논문은 결론에서 본 연구의 한계와 미래 방향을 논의한다. 현재 방법은 주로 1단계 예측과 저차원 시스템에 초점을 맞추고 있으며, 다단계 예측, 고차원 시스템, 외생 변수 통합 등으로의 확장이 필요하다. 또한 학습된 방정식의 정확한 과학적 해석과 검증을 위한 도메인 전문가와의 협력이 중요함을 강조한다. 요약하면, 이 연구는 기계 학습 기반 예측의 패러다임을 정확도 중심에서 '정확도 + 해석 가능성' 중심으로 전환하는 중요한 이정표를 제시한다.