베이지안 연산자 추론을 활용한 매개변수 미분 시스템의 데이터 기반 축소 모델을 위한 능동 학습
Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference
본 연구는 디지털 트윈에서 가상 자산의 토대가 될 수 있는 매개변수 동역학 시스템의 데이터 기반 축소 차수 모델(ROM)을 지능적으로 보강하기 위한 능동 학습(active learning) 프레임워크를 개발한다. 데이터 기반 ROM은 복잡한 동역학 시뮬레이션의 근간이 되는 물리를 보존하는 것을 목표로 하는, 설명 가능하고 계산 효율적인 과학적 기계학습 모델이다. 데이터 기반 ROM의 품질은 제한된 학습 데이터의 품질에 민감하므로, 우리는 연관된 학습 데이터를 사용했을 때 가능한 한 최상의 매개변수 ROM이 만들어지도록 하는 학습 매개변수를 찾고자 한다. 본 접근법은 다양한 종류의 문제에서 특정 매개변수 구조에 맞게 조정할 수 있는 회귀 기반 전략인 연산자 추론(operator inference) 방법론을 사용한다. 우리는 학습 문제를 베이지안 선형 회귀(Bayesian linear regression)로 설정하여, 매개변수 연산자 추론의 확률적 버전을 정립한다. 이렇게 얻어진 확률적 ROM 해에서 비롯되는 예측 불확실성은, 매개변수 영역 전반에서 ROM의 안정성과 정확도를 높이는 새로운 학습 매개변수 벡터를 선택하기 위한 순차적 적응형 샘플링 기법을 설계하는 데 사용된다. 우리는 여러 비선형 매개변수 편미분방정식 시스템에 대해 수치 실험을 수행하고, 그 결과를 무작위 매개변수 샘플로 학습한 ROM과 비교한다. 그 결과, 제안한 적응형 샘플링 전략은 동일한 계산 예산 하에서 무작위 샘플링보다 일관되게 더 안정적이고 정확한 ROM을 산출함을 보여준다.