딥러닝 기반 기능적 대체 모델 DeepSurrogate: 과학 및 공학 문제 해결의 새로운 돌파구

DeepSurrogate는 벡터 값 입력을 가진 기능적 출력을 분석하는 AI 기반 대체 모델로, 공간적 상관관계를 고려하고 몬테카를로 dropout 전략을 활용하여 예측 불확실성을 정량화함으로써 높은 효율성과 해석성을 달성했습니다. 합성 데이터와 SLOSH 시뮬레이터를 통해 검증되었으며, 오픈소스 Python 패키지로 공개되었습니다.

과학과 공학 분야의 복잡한 문제 해결에 있어 컴퓨터 모델의 대체 모델(surrogate) 개발은 매우 중요한 과제입니다. 기존 모델들은 계산 비용이 많이 들거나 해석이 어려운 경우가 많았습니다. 이러한 문제를 해결하기 위해, 전예슬, 구하니요기 라자르시, 쉐플러 에런, 프랭컴 데빈, 파스퀄리니 도나텔라 등 연구진이 개발한 DeepSurrogate가 등장했습니다.

DeepSurrogate는 벡터 값 입력을 갖는 기능적 출력을 분석하는 AI 기반 대체 모델입니다. 기능적 출력과 벡터 값 입력 간의 관계를 기능 영역 내 특정 위치에서의 관계를 나타내는 알 수 없는 함수의 무한 수열로 모델링합니다. 각 공간적으로 색인된 함수는 기저 함수와 해당 계수 함수의 조합으로 표현되며, 둘 모두 딥 뉴럴 네트워크(DNN)를 사용하여 모델링됩니다.

이 프레임워크는 공간적 상관관계를 고려하면서 기능적 출력과 스칼라 예측 변수 간의 관계를 포착합니다. 또한, 몬테카를로(MC) dropout 전략을 통합하여 예측 불확실성을 정량화하여 DNN 아키텍처의 해석성을 향상시켰습니다.

DeepSurrogate는 놀라운 효율성을 자랑합니다. 약 50,000개의 공간 위치와 20개의 시뮬레이션 데이터를 표준 하드웨어를 사용하여 10분 이내에 처리할 수 있습니다. 이는 기존 모델에 비해 획기적인 속도 향상입니다.

이 방법은 광범위한 합성 데이터 세트와 허리케인으로 인한 해상 및 육상 돌풍을 시뮬레이션하는 SLOSH 시뮬레이터의 대규모 시뮬레이션 데이터를 사용하여 검증되었습니다. 더욱이, 이 방법을 구현하는 오픈소스 Python 패키지를 공개하여 누구든 쉽게 사용할 수 있도록 했습니다.

DeepSurrogate는 복잡한 과학 및 공학 문제 해결에 새로운 가능성을 제시하는 혁신적인 모델입니다. 높은 효율성과 해석성을 갖춘 DeepSurrogate는 앞으로 다양한 분야에서 활용될 것으로 기대됩니다.