불확실성 정량화(UQ)는 계산 및 실세계 응용 분야에서 불확실성의 정량적 특성화와 추정에 관한 과학이다. 이는 시스템의 일부 측면이 정확히 알려지지 않은 경우 특정 결과가 발생할 가능성이 얼마나 되는지를 결정하는 것을 목표로 한다. 예를 들어, 다른 자동차와의 정면 충돌 시 인체의 가속도를 예측하는 것에는 불확실성이 포함된다. 속도가 정확히 알려져 있더라도 제조 공정, 볼트 조임력 및 기타 요인의 작은 차이로 인해 통계적으로만 예측할 수 있는 다양한 결과가 발생한다. 자연 과학 및 공학의 많은 문제는 불확실성의 원천으로 가득 차 있으며, 시뮬레이션에 대한 컴퓨터 실험이 UQ를 연구하는 가장 일반적인 접근 방식이다.
UQ는 기계 학습과 인공 지능의 부상과 함께 점점 더 중요해지고 있으며, 여기서 모델은 종종 고유한 신뢰도 측정 없이 예측을 제공한다. 이러한 맥락에서 UQ는 모델 신뢰성을 정량화하여 의료, 자율 주행 및 금융과 같은 고위험 영역에서 더 안전한 배포를 지원한다.
불확실성의 원천
불확실성은 다양한 방식으로 수학적 모델과 실험 측정에 들어갈 수 있다. 한 가지 분류는 여러 원천을 구분한다:
- 매개변수 불확실성: 컴퓨터 모델에 입력이지만 정확한 값이 알려지지 않았거나 물리적 실험에서 제어할 수 없는 모델 매개변수에서 발생한다. 예로는 낙하 물체 실험에서의 국소 자유 낙하 가속도, 유한 요소 해석에서의 재료 특성, 거시경제 정책 최적화에서의 승수 불확실성이 있다.
- 매개변수 변동성: 입력 변수의 변동성에서 비롯된다. 예를 들어, 제조된 공작물의 치수는 설계 사양에서 벗어나 성능 변동을 유발할 수 있다.
- 구조적 불확실성: 모델 부적합성, 모델 편향 또는 모델 불일치라고도 하며, 기본 물리학에 대한 지식 부족에서 발생한다. 모델은 거의 항상 근사치이다. 예를 들어, 자유 낙하 모델은 공기 마찰을 무시하여 알려지지 않은 매개변수가 없더라도 모델과 현실 사이에 불일치를 만든다.
- 알고리즘 불확실성: 수치적 또는 이산적 불확실성이라고도 하며, 컴퓨터 모델 구현에서의 수치 오류와 근사에서 발생한다. 유한 요소 방법 또는 유한 차분 방법과 같은 기술은 편미분 방정식의 해를 근사하여 오류를 도입한다. 수치 적분 및 무한 급수 절단도 다른 예이다.
- 실험 불확실성: 관측 오차라고도 하며, 실험 측정의 변동성에서 비롯된다. 동일한 설정에서 측정을 반복하면 다른 결과가 나오므로 이 불확실성은 불가피하다.
- 보간 불확실성: 시뮬레이션 또는 실험 데이터의 부족에서 발생한다. 데이터가 없는 입력 설정의 경우 보간 또는 외삽이 필요하며, 이는 불확실성을 도입한다.
우연적 및 인식적 불확실성
불확실성은 종종 두 가지 범주로 분류되며, 특히 의료 응용 분야에서 두드러진다:
- 우연적 불확실성: 확률적 불확실성이라고도 하며, 동일한 실험을 실행할 때마다 다른 결과를 나타내는 미지수를 나타낸다. 예를 들어, 각 발사를 정확히 복제하는 기계식 활로 쏜 화살은 화살대의 무작위 진동으로 인해 모두 같은 지점에 맞지 않는다. 이 용어는 라틴어 alea(주사위)에서 유래했으며, 우연의 게임을 의미한다. 우연적 불확실성은 실제로는 줄일 수 없지만, 측정 개선은 이론적으로 이를 인식적 불확실성으로 전환할 수 있다.
- 인식적 불확실성: 체계적 불확실성이라고도 하며, 원칙적으로 알 수 있지만 실제로는 알지 못하는 것에서 발생한다. 이는 부정확한 측정, 무시된 모델 효과 또는 의도적으로 숨겨진 데이터 때문일 수 있다. 예를 들어, 일반적으로 사용되는 중력 가속도 9.8 m/s²는 공기 저항을 무시하지만, 항력을 측정하고 통합하면 중력 가속도 계산의 불확실성을 줄일 수 있다.
우연적 및 인식적 불확실성은 동시에 발생할 수 있다. 예를 들어, 실험 매개변수가 우연적 불확실성을 나타내고 컴퓨터 시뮬레이션에 입력될 때, 컴퓨터 실험에서 학습된 대리 모델(예: 가우시안 프로세스 또는 다항식 카오스 확장)은 우연적 불확실성에 의존하거나 상호 작용하는 인식적 불확실성을 나타낸다. 이러한 결합된 불확실성은 더 일반적인 추론적 불확실성이다.
실제 응용에서는 두 유형 모두 존재하며, UQ는 이를 별도로 표현하는 것을 목표로 한다. 우연적 불확실성을 정량화하는 것은 비교적 간단하며, 종종 전통적인 빈도주의 확률과 몬테카를로 방법과 같은 기술을 사용한다. 확률 분포는 모멘트(가우시안 경우 평균과 공분산으로 충분하지만, 일반적으로 모든 모멘트가 분포를 고유하게 지정하지는 않음) 또는 Karhunen–Loève 및 다항식 카오스 확장으로 표현될 수 있다. 인식적 불확실성은 일반적으로 확률을 신뢰의 정도로 해석하는 베이지안 확률을 통해 이해된다.
불확실성 정량화의 방법
UQ는 다양한 계산 및 통계 방법을 사용한다:
- 몬테카를로 방법: 출력의 확률 분포를 추정하기 위해 반복적인 무작위 샘플링을 포함한다. 우연적 불확실성 전파에 널리 사용되지만 복잡한 모델에는 계산 비용이 많이 들 수 있다.
- 다항식 카오스 확장: 모델 출력을 입력 변수의 직교 다항식 확장으로 표현하여 효율적인 불확실성 전파를 가능하게 한다. 입력 분포가 알려진 경우 특히 유용하다.
- 가우시안 프로세스 에뮬레이터: 크리깅이라고도 하며, 이러한 대리 모델은 비싼 시뮬레이션을 근사하여 관련 불확실성과 함께 예측을 제공한다. UQ를 위한 기계 학습에서 일반적이다.
- 베이지안 추론: 이 프레임워크는 데이터를 기반으로 모델 매개변수에 대한 신념을 업데이트하여 인식적 불확실성을 정량화하는 사후 분포를 생성한다. 많은 UQ 접근 방식의 중심이다.
- 민감도 분석: 어떤 입력 불확실성이 출력 변동성에 가장 큰 영향을 미치는지 식별하여 불확실성 감소를 위한 자원 할당을 안내한다.
딥 러닝에서 UQ 기술에는 베이지안 신경망, 몬테카를로 드롭아웃 및 앙상블 방법이 포함된다. 이러한 접근 방식은 예측 불확실성을 추정하며, 이는 신뢰할 수 있는 대규모 언어 모델 출력 및 기타 AI 시스템에 중요하다.
응용 분야
UQ는 다양한 분야에 적용된다:
- 공학: 구조 및 항공 우주 공학에서 UQ는 재료 및 하중 불확실성 하에서 안전 여유를 평가한다. 예를 들어, 항공기 부품의 유한 요소 모델은 신뢰성을 보장하기 위해 UQ를 통합한다.
- 기후 모델링: 기후 예측은 미래 온도 및 강수 시나리오의 불확실성을 정량화하여 정책 결정에 정보를 제공하기 위해 UQ에 의존한다.
- 의료: 의료 진단 및 치료 계획에서 UQ는 모델 예측을 해석하는 데 도움이 되며, 예를 들어 영상 분석에서 불확실성은 감지된 이상 징후에 대한 신뢰도를 나타낸다.
- 금융: 위험 평가 및 포트폴리오 최적화는 시장 불확실성과 극단적 사건을 모델링하기 위해 UQ를 사용한다.
- 자율 시스템: 웨이모 및 테슬라 오토파일럿과 같은 자율 주행 차량은 인식 및 의사 결정의 신뢰도를 측정하여 안전성을 향상시키기 위해 UQ를 사용한다.
- 자연 과학: 물리학 및 화학에서 UQ는 복잡한 시스템 시뮬레이션의 실험 및 모델링 불확실성을 정량화한다.
과제 및 향후 방향
진전에도 불구하고 UQ는 여러 과제에 직면한다:
- 계산 비용: 고정밀 시뮬레이션은 비용이 많이 들기 때문에 광범위한 불확실성 전파가 어렵다. 대리 모델은 도움이 되지만 자체적인 불확실성을 도입한다.
- 고차원성: 많은 불확실한 매개변수를 가진 시스템은 차원의 저주를 피하기 위해 효율적인 방법이 필요하다.
- 모델 부적합성: 구조적 불확실성은 실제 모델을 알 수 없기 때문에 정량화하기 어렵다. 베이지안 모델 평균화와 같은 접근 방식이 이를 해결하려고 시도한다.
- 데이터 부족: 많은 응용 분야에서 제한된 데이터는 특히 인식적 불확실성에 대한 정확한 불확실성 추정을 방해한다.
향후 연구는 UQ를 기계 학습 및 딥 러닝과 통합하고, 확장 가능한 알고리즘을 개발하며, 해석 가능성을 개선하는 데 초점을 맞춘다. AI 시스템이 더 널리 보급됨에 따라 UQ는 신뢰할 수 있는 의사 결정에 필수적일 것이다.
인공 지능과의 관계
인공 지능에서 UQ는 모델 신뢰성에 중요하다. 신경망 모델은 종종 과신적인 예측을 생성하며, UQ 방법은 신뢰도를 보정하는 데 도움이 된다. 대규모 언어 모델의 경우 UQ는 모델이 응답에 대해 불확실할 때를 나타내어 환각을 줄일 수 있다. 오픈AI, 앤트로픽 및 구글 딥마인드와 같은 조직은 안전성을 향상시키기 위해 UQ 연구에 투자한다. 온도 스케일링 및 앙상블 방법과 같은 기술은 보정을 개선하는 데 사용된다. UQ는 또한 생성형 AI와 교차하며, 생성된 콘텐츠의 불확실성을 측정하는 것이 활발한 영역이다.
같이 보기
참고 문헌
이 기사는 불확실성 정량화에 대한 포괄적인 개요를 제공하는 위키백과 항목을 기반으로 한다.