복잡한 기계 시스템을 위한 기능형 공변량 멀티태스크 가우시안 프로세스

본 논문은 현대 공학 시뮬레이션에서 흔히 마주치는 “함수형 공변량”과 “다중 연관 출력(태스크)” 문제를 동시에 해결하기 위한 새로운 가우시안 프로세스(GP) 모델을 제안한다. 서론에서는 GP가 베이지안 회귀와 불확실성 정량화에 강력한 도구임을 강조하고, 특히 고비용 수치해석(예: 유한요소 해석)에서 서러게이트 모델로서의 역할을 설명한다. 그러나 기존 GP는 주로 유한 차원의 스칼라 입력과 단일 출력에 초점을 맞추어 왔으며, 기능형 입력(시간·공간 프로파일)과 다중 출력 간 상관관계를 동시에 다루는 연구는 아직 미비한 상황이다. 배경 섹션에서는 기능형 입력을 다루는 GP의 핵심 이론을 정리한다. 입력 공간을 실함수 공간 F(T,ℝ) 으로 정의하고, 커버런스 함수 k(F,F′) 를 L2‑거리 기반의 방사형 커널 형태로 구성한다. 특히, ψ(√·)가 완전 단조함수일 때 양의 준정부호성을 보장한다는 이론적 근거를 제시하고, Matérn 계열(ν = 5/2, 1/2, ∞)을 통해 부드러움 파라미터를 조절한다. 실무에서는 함수가 이산화된 형태로 제공되므로, B‑스플라인·푸리에·웨이블릿 등 다양한 기저함수를 이용해 베타 계수를 추정하고, 이를 통해 L2‑거리의 근사값을 계산한다. 이러한 근사는 커버런스 행렬을 유한 차원으로 변환하면서도 원래 함수 공간의 기하학적 구조를 보존한다. 핵심 기여는 “완전 분리형(kernel separable) 멀티태스크 GP”이다. 전체 커버런스는 k_total((i,t),(j,t′)) = k_task(i,j)·k_func(F_i,F_j)·k_time(t,t′) 와 같이 세 개의 독립 커널의 텐서곱으로 정의된다. 여기서 k_task 은 태스크 간 상관관계를, k_func 은 기능형 입력 사이의 유사성을, k_time 은 시간(또는 기타 스칼라 변수) 차원의 연속성을 각각 모델링한다. 이 구조는 커버런스 행렬 K 가 K_task ⊗ K_func ⊗ K_time 형태가 되게 하여, 고유값 분해와 크래넬러 연산을 활용해 O(N³) 복잡도를 O(N_task³ + N_func³ + N_time³) 수준으로 감소시킨다. 구현은 PyTorch와 GPyTorch 기반으로 GPU 가속을 적용했으며, marginal likelihood와 posterior 예측을 정확히 계산한다. 실험은 두 부분으로 나뉜다. 첫 번째는 가우시안 잡음과 완벽한 커버런스 가정을 만족하는 합성 데이터셋을 사용해, MTGP가 단일태스크 GP 대비 RMSE와 NLL(Negative Log Likelihood)에서 일관된 우위를 보임을 확인한다. 두 번째는 실제 기계 시스템인 리벳 조립 구조물을 대상으로 한다. 여기서는 재료 물성 곡선(시간에 따라 변하는 탄성계수 등)과 하중 프로파일을 기능형 입력으로, 여러 측정 지점에서의 힘·변위 응답을 다중 태스크 출력으로 사용한다. 100개 미만의 시뮬레이션 샘플만으로도 MTGP는 평균 예측 오차를 5% 이하로 낮추고, 95% 신뢰구간이 실제 관측치를 92% 포괄한다. 파라미터 수가 더 많음에도 불구하고, 크래넬러 구조 덕분에 학습 시간은 단일태스크 GP보다 평균 30% 빠르다. 논의에서는 완전 분리형 커널이 태스크와 기능형 입력 사이의 비선형 상호작용을 충분히 포착하지 못할 가능성을 지적한다. 또한, 함수 근사의 정확도는 선택한 기저와 샘플링 해상도에 크게 의존한다는 점을 강조한다. 향후 연구 방향으로는 (1) 비분리형 커널 설계(예: 다중선형 결합 또는 뉴럴 커널), (2) 딥 GP 또는 베이지안 신경망과의 하이브리드, (3) 능동 학습을 통한 샘플 효율성 향상, (4) 실시간 모니터링을 위한 온라인 업데이트 메커니즘 등을 제시한다. 최종적으로, 제안된 MTGP는 복잡한 기계·재료 시스템에서 제한된 시뮬레이션 비용으로도 고신뢰도 예측을 가능하게 하는 강력한 서러게이트 모델링 도구로 자리매김한다.