제1원리(first-principles)와 학습된 구성 요소를 결합하는 하이브리드 기계론/데이터 기반 모델은 공정 엔지니어링과 과학적 머신러닝(scientific machine learning)에서 점점 더 많이 사용되고 있다. 일반적인 하이브리드 모델링 설계는 주로 아키텍처와 학습 손실을 통해 명시되며, 이는 도메인 간 비교하거나 검증할 수 있는 공유 의미론적 인터페이스를 위한 제한적인 기반을 제공하고, 기계론적 부분의 인식론적 불확실성(epistemic uncertainty)에는 비교적 적은 관심이 기울여진다. 우리는 이러한 설계를 NeSy 인터페이스의 사례로 재구성함으로써 하이브리드 모델링과 뉴로-심볼릭(NeSy) AI를 연결한다. 그 결과로 얻어진 변환인 Hybrid-to-NeSy(H2N)는 기계론적 지식을 언어(language) 측에, 학습된 모듈을 믿음(belief) 측에, 유효성 영역(validity domains)과 제약을 논리(logic) 측에 배치한다. 각 설계에 대해 H2N은 명시적인 NeSy 추론 함수(functional)와 논리-믿음 분해를 산출한다. 이 분해로부터 우리는 두 가지 지표를 도출한다: 학습된 믿음이 기계론적 구조를 준수하는지를 측정하는 구조적 위반율(structural violation rate, SVR); 그리고 학습된 타당성(plausibility)이 얼마나 집중되어 있는지를 측정하며, 하이브리드 모델의 기계론적 부분에 대한 인식론적 불확실성 역할을 하는 믿음 분산(belief dispersion, BD). 우리는 레이블 노이즈(label noise) 하에서 이진 분류를 위한 구조화된 하이브리드 모델의 사례 연구에 H2N을 적용하고, SVR과 BD가 더 높은 모델이 보류 정확도(held-out accuracy)에서 더 큰 변동성을 보인다는 것을 보여준다. 구조적 분포 이동(structural distribution shift) 하에서 H2N은 외삽(extrapolation) 중 모델의 불확실성을 추가로 정량화하는 반면, 테스트 정확도는 동일한 이동을 사후(post hoc)에만 드러낸다.
토양 미생물은 유기물 순환을 조절하며, 토양 시스템이 기후 변화와 환경적 위협에 어떻게 대처하고 완화할 수 있는지를 크게 결정합니다. 따라서 과정 기반(process-based) 토양 모델에서 미생물 역학을 표현하는 것은 토양 내 탄소 순환을 예측하는 데 필수적이지만, 데이터를 통해 이를 파악하는 것은 매우 어렵습니다. 매개변수화를 개선하기 위한 유망한 접근법 중 하나는 유전체 데이터를 통합하는 것이지만, 미생물이 주도하는 과정과 유전체 사이의 복잡하고 알려지지 않은 관계를 모델링하는 것은 미해결 문제입니다. 본 연구에서는 DNA 염기서열 데이터를 기반으로 한 메타게놈 유추 기능적 형질(metagenome-inferred functional traits)로부터 과정 기반 토양 유기물 전환 모델의 생물역학 매개변수 값을 도출하기 위한 최초의 하이브리드 모델링 프레임워크를 제시합니다. 우리의 모델은 신경망(neural network)을 사용하여 유전체 형질 데이터로부터 과정 기반 모델의 생물역학 매개변수를 예측하며, 관측되지 않은 상태 변수의 행동조차 현실적이도록 보장하기 위해 생태학 이론과 문헌의 제약 조건을 통합합니다. 우리는 다양한 복잡성을 가진 합성 유전체 형질 데이터셋과 실제 데이터를 통해 방법을 평가했으며, 우리의 접근법이 여러 베이스라인(baseline) 대비 성능을 향상시키고 작은 학습(training) 데이터셋에서도 과정 기반 모델의 측정 불가능한 구성 요소의 역학을 효과적으로 학습함을 보여줍니다.
하이브리드 기호-신경 동적 시스템에서 데이터 기반 희소 기호 발견 시 신경망 잔차가 기계론적 구조를 재학습해 중복·해석 불가능성이 생기는 문제를 OrthoReg(직교 정규화)가 기호·신경 구성 요소 간 겹침을 직접 페널티하여 해결한다. 기호 부분은 라이브러리가 표현할 수 있는 역학을, 신경 부분은 나머지를 담당하도록 상보적으로 분해하며, 라이브러리 부분 불일치 벤치마크에서 기호 복원과 분포 외(out-of-distribution) 동작이 개선된다.
개인화된 심장 전기생리학(EP) 디지털 트윈을 구축하려면 단순히 매개변수를 적합(fitting)시키는 것보다 각 환자에게 적합한 모델 구조를 식별하는 것이 필요합니다. 기존 방법은 전문가가 수동으로 하이브리드 물리-신경망 아키텍처를 규정하는 데 의존하므로 깊은 도메인 전문 지식이 필요하며 환자 간에 전이되지 않습니다. 최근 연구에서는 대규모 언어 모델(LLM)을 적용하여 하이브리드 모델을 생성하거나 하이브리드 모델로 작동하게 했습니다. 그러나 유망한 일반화 능력에도 불구하고, 이러한 LLM 기반 방법들은 안정적인 심장 시뮬레이션에 필요한 구조적 사전 지식(structural priors)이 부족합니다. 따라서 우리는 심장 EP 도메인 지식을 구조화된 행동 공간으로 공식화하고 LLM 에이전트를 활용하여 하이브리드 모델을 발견하는 LEADS 프레임워크를 제안합니다. 에이전트는 반복적인 추론 및 행동 루프를 통해 하이브리드 모델을 선택, 결합 및 정제(refine)하고, 경사하강법은 매개변수 적합을 처리합니다. 제안된 LEADS는 개방형 아키텍처 발견을 허용하면서 모든 후보 모델이 물리적 근거(physically grounded)를 가지며 해석 가능하고 수치적으로 안정적이 되도록 설계합니다. 우리는 세 가지 실제 반응 모델(ground-truth reaction models)이 있는 합성 데이터와 실제 심장 EP 데이터에서 LEADS를 검증하여, 인간이 설계한 하이브리드 모델과 다른 LLM 기반 하이브리드 모델링보다 우수한 성능을 보임을 입증했습니다.