불확실성을 극복하는 AI: 구간 신경망을 활용한 시스템 식별의 혁신

Mehmet Ali Ferah와 Tufan Kumbasar의 연구는 딥러닝 기반 시스템 식별의 불확실성 문제를 해결하기 위해 구간 신경망(INNs)을 활용한 새로운 프레임워크를 제시합니다. ILSTM과 INODE 아키텍처를 통해 예측 구간을 생성하고, '탄성' 개념을 도입하여 불확실성 원인을 분석함으로써 시스템 식별의 신뢰성과 안전성을 향상시킵니다.

딥러닝 기반 시스템 식별의 한계 극복: 불확실성 정량화의 필요성

시스템 식별(SysID)은 실험 데이터를 사용하여 동적 시스템을 모델링하고 이해하는 데 매우 중요한 과정입니다. 기존의 시스템 식별 방법들은 선형 모델에 중점을 두었지만, 비선형 동역학을 완전히 포착하지 못하는 한계가 있었습니다. 이러한 한계를 극복하기 위해 딥러닝(DL)이 강력한 대안으로 떠올랐습니다. 하지만 딥러닝 기반 모델은 불확실성 정량화(UQ)가 부족하여 신뢰성과 안전성에 문제를 야기합니다. 따라서 불확실성 정량화를 통합하는 것이 필수적입니다.

구간 신경망(INNs)을 활용한 혁신적인 접근법

Mehmet Ali Ferah와 Tufan Kumbasar는 최근 연구에서 시스템 식별 과제에서 불확실성 정량화를 수행하기 위해 구간 신경망(INNs)을 구성하고 학습하는 체계적인 프레임워크를 제시했습니다. INNs는 사전 훈련된 신경망의 학습 가능한 매개변수(LPs)를 확률적 가정 없이 구간 값 LPs로 변환하여 파생됩니다. 네트워크 전체에 구간 연산을 사용하여 목표 적용 범위를 효과적으로 포착하는 예측 구간(PIs)을 생성할 수 있습니다.

ILSTM 및 INODE: LSTM과 Neural ODEs의 구간 확장

연구팀은 장단기 메모리(LSTM)와 신경 상미분 방정식(Neural ODEs)을 구간 LSTM(ILSTM)과 구간 NODE(INODE) 아키텍처로 확장하여 시스템 식별에 적용할 수 있는 수학적 기반을 제공했습니다. INNs를 훈련하기 위해, 연구팀은 UQ 손실 함수와 구간 LPs에서 발생하는 제약 조건을 처리하기 위한 매개변수화 기법을 통합한 딥러닝 프레임워크를 제안했습니다. 특히, 근본적인 불확실성 원인에 대한 새로운 개념인 '탄성(elasticity)'을 도입하여 ILSTM과 INODE의 시스템 식별 실험에서 그 효과를 검증했습니다.

결론: 안전하고 신뢰할 수 있는 AI 시스템으로의 도약

이 연구는 딥러닝 기반 시스템 식별에서 불확실성을 효과적으로 관리하고 정량화하는 획기적인 방법을 제시합니다. 구간 신경망과 새로운 아키텍처, 그리고 '탄성' 개념의 도입은 시스템 식별의 신뢰성과 안전성을 크게 향상시킬 뿐만 아니라, 더욱 안전하고 신뢰할 수 있는 AI 시스템 개발에 기여할 것으로 기대됩니다. 이는 자율주행, 의료 진단 등 다양한 분야에서 AI 기술의 활용 범위를 넓히는 데 중요한 발걸음이 될 것입니다.