축소차수모델

1. 개요

축소차수모델 Reduced-Order Model
약칭	ROM
핵심 도구	고유직교분해(POD), 특이값 분해
분류	침입적 / 비침입적
비선형 대응	EIM/DEIM, 가피(gappy) POD, ECSW
주 무대	실시간 제어, 디지털 트윈, 설계 탐색

자유도 1천만 개짜리 유동장이, 알고 보니 모드 20개로 거의 다 설명된다. 이게 ROM의 전부이자 함정이다.

축소차수모델(Reduced-Order Model, ROM)은 자유도가 수백만~수억인 고차원 수치 모델을, 지배적인 소수의 모드가 이루는 저차원 부분공간으로 투영해 수십~수백 자유도짜리 모델로 압축한 것이다. 대리 모델이 입출력 관계만 회귀로 흉내내는 블랙박스라면, ROM은 상태 공간 자체를 줄이면서 지배 방정식의 구조를 어느 정도 물려받는다는 점이 다르다.

핵심 관찰은 이렇다. 유동장이나 구조 응답의 스냅샷들을 모아보면, 겉보기 자유도는 어마어마해도 실제 데이터가 놓인 다양체(manifold)의 차원은 훨씬 낮다. 8시간짜리 해석을 밀리초에 끝낼 수 있다면 실시간 제어도, 디지털 트윈도, 수만 번짜리 최적화 루프도 열린다.

2. 고유직교분해 (POD)

ROM의 심장. 기법 자체의 상세는 적합직교분해 문서에 있고, 여기서는 ROM에 필요한 만큼만 쓴다. 스냅샷 $\mathbf{u}(t_1), \dots, \mathbf{u}(t_M)$을 열로 쌓아 행렬 $\mathbf{S} \in \mathbb{R}^{N \times M}$을 만들고 특이값 분해를 때린다.

$$\mathbf{S} = \mathbf{U} \boldsymbol{\Sigma} \mathbf{V}^{T}$$

$\mathbf{U}$의 앞쪽 $r$개 열이 POD 모드 $\boldsymbol{\phi}_1, \dots, \boldsymbol{\phi}_r$이다. 이 기저는 주어진 $r$에 대해 $L^2$ 오차를 최소화한다는 의미에서 최적이다.¹ 특이값 $\sigma_i$는 각 모드가 담은 에너지에 대응하고, 보통 누적 에너지가 99%나 99.9%가 되는 지점에서 $r$을 자른다.

$$\mathbf{u}(t) \approx \bar{\mathbf{u}} + \sum_{i=1}^{r} a_i(t)\, \boldsymbol{\phi}_i$$

스냅샷 수 $M$이 격자 크기 $N$보다 훨씬 작은 게 보통이라, $N \times N$ 공분산 대신 $M \times M$ 상관행렬 $\mathbf{S}^T\mathbf{S}$의 고유값 문제를 풀어 모드를 복원하는 스냅샷 방법(Sirovich 1987)이 표준이다. 수학적으로는 얇은 SVD와 같은 답이지만, 상관행렬을 명시적으로 만들면 조건수가 제곱돼 작은 특이값 쪽 정확도가 떨어진다는 점은 기억해 둘 것.

통계 쪽 주성분 분석(PCA), 신호처리의 KL 변환과 사실상 같은 물건이다. 분야마다 이름만 다르게 붙였다.² 유체에서는 POD 모드가 카르만 와열의 와류쌍처럼 물리적으로 해석 가능한 구조로 나오는 경우가 많아서, 압축 도구를 넘어 유동 구조 분석 도구로도 쓰인다. 동적 모드 분해(DMD)는 에너지 대신 단일 주파수 기준으로 모드를 뽑는 사촌뻘 기법이다.

3. 갤러킨 투영 — 침입적 ROM

기저만 있으면 절반은 끝난 셈이고, 나머지는 **갤러킨 방법**으로 방정식을 그 부분공간에 투영하는 일이다. 전차수 시스템이

$$\frac{d\mathbf{u}}{dt} = \mathbf{f}(\mathbf{u})$$

라면, $\mathbf{u} \approx \boldsymbol{\Phi}\mathbf{a}$를 대입하고 $\boldsymbol{\Phi}^T$를 곱해 잔차를 기저에 직교시킨다.

$$\frac{d\mathbf{a}}{dt} = \boldsymbol{\Phi}^{T} \mathbf{f}(\boldsymbol{\Phi}\mathbf{a})$$

이제 미지수는 $N$개가 아니라 $r$개다. 선형 시스템이면 $\boldsymbol{\Phi}^T \mathbf{A} \boldsymbol{\Phi}$를 오프라인에 한 번 계산해 두면 온라인 비용은 $N$과 완전히 무관해진다. 아름답다.

이 방식을 침입적(intrusive) ROM이라 부른다. 솔버의 연산자 $\mathbf{A}$나 $\mathbf{f}$에 직접 손을 대야 하기 때문이다. 오픈소스 코드라면 가능하지만, 상용 솔버는 내부가 봉인돼 있어서 시작조차 못 한다. 그게 비침입적 ROM이 존재하는 이유다.

4. 비선형의 저주와 초축소 (DEIM)

문제가 여기서 터진다. $\mathbf{f}$가 비선형이면 — 나비에-스토크스 방정식의 대류항처럼 — 매 시간스텝마다 $\boldsymbol{\Phi}\mathbf{a}$로 $N$차원 벡터를 복원하고, $\mathbf{f}$를 $N$개 성분 전부 평가한 뒤, 다시 $\boldsymbol{\Phi}^T$로 눌러야 한다. 온라인 비용이 다시 $N$에 걸린다. 차수를 줄여놓고 속도는 안 빨라지는 허탈한 상황.

초축소(hyper-reduction)가 이걸 뚫는다. 대표 주자가 DEIM(Discrete Empirical Interpolation Method, Chaturantabut & Sorensen 2010)이다. 연속 함수판 원형인 EIM(Barrault·Maday·Nguyen·Patera 2004)을 이산 벡터에 맞게 옮긴 것이다. 아이디어는 비선형 항의 스냅샷으로 별도 POD 기저를 만들고, 탐욕적으로 고른 $m$개 성분에서만 $\mathbf{f}$를 평가한 뒤 보간으로 나머지를 채우는 것. $m \ll N$이므로 온라인 비용이 진짜로 $N$에서 떨어진다. 같은 계열로 가피(gappy) POD, ECSW(에너지 보존 샘플링·가중) 등이 있고, ECSW(Farhat 등 2014)는 요소 단위로 표본을 뽑고 가중치를 비음수 최소제곱으로 맞춰 에너지 보존 성질을 지키기 때문에 비선형 구조해석에서 널리 쓰인다.

5. 침입적 vs 비침입적

항목	침입적 ROM	비침입적 ROM
필요한 것	솔버 내부 연산자 접근	스냅샷 데이터만
물리 보존	방정식 구조를 물려받음	회귀에 의존
상용 솔버	사실상 불가	가능
대표 기법	POD-갤러킨, POD-DEIM, LSPG	POD + 크리깅/RBF/신경망
외삽	나쁨	더 나쁨

비침입적 ROM은 POD로 차원만 줄이고, 계수 $a_i(\mu)$가 파라미터 $\mu$에 어떻게 의존하는지는 대리 모델로 회귀해버린다. 솔버를 블랙박스로 두고도 되니 산업 현장의 현실적 선택지다. 대가는 물리 구조의 상실 — 결국 POD로 압축한 대리 모델에 가까워진다. 회귀기로는 크리깅(가우시안 프로세스)이 오차 막대까지 같이 줘서 인기가 많다. 최근에는 오토인코더로 비선형 다양체를 잡거나 물리 정보 신경망 손실을 얹는 시도도 활발하다.

6. 오프라인-온라인 분리

ROM의 경제학을 이해하려면 비용을 두 단계로 갈라 봐야 한다.

오프라인 단계 — 스냅샷 수집(전차수 해석을 수십~수백 번), SVD, 축소 연산자 사전계산. 여기가 비싸다. 전차수 해석 한 번보다 훨씬 비쌀 수 있다.

온라인 단계 — 새 파라미터에 대해 $r$차원 시스템을 푼다. 밀리초 단위.

즉 ROM은 오프라인에 크게 투자하고 온라인에서 회수하는 구조다. 해석을 세 번 돌릴 거면 절대 손해다. 3만 번 돌릴 거면 압도적으로 이득이다. 손익분기 질의 수는 대략

$$K^{*} \approx \frac{C_{\text{off}}}{t_{\text{full}} - t_{\text{ROM}}}$$

이다. 예컨대 8시간짜리 전차수 해석으로 스냅샷 100개를 뽑으면 $C_{\text{off}} \approx 800$시간(SVD·사전계산은 이에 비하면 잔돈)이고, ROM 1회가 1초라면 $K^{*} \approx 800/(8 - 0.0003) \approx 100$회다. 스냅샷을 만드는 데 쓴 해석 수만큼은 질의해야 겨우 본전이라는, 당연하지만 자주 잊히는 결론이다. 손익분기가 어디인지 먼저 계산해보지 않고 “요즘 ROM이 대세라던데”로 시작하면 오프라인 비용만 태우고 끝난다.

스냅샷을 어디서 뽑을지도 오프라인 설계의 핵심이다. 파라미터 공간을 라틴 하이퍼큐브 표본추출로 덮는 게 기본이고, 사후 오차 추정기를 이용해 오차가 클 것으로 예상되는 곳에 스냅샷을 추가하는 그리디 알고리즘(환원 기저법의 전통)이 더 효율적이다. 이건 대리 모델의 능동 학습과 사실상 같은 발상이다.

7. 활용과 취약점

활용. 디지털 트윈에서 실시간 상태 추정, 유동 제어기 설계, 공력해석 기반 플러터 예측, 모드 해석 이후의 구조 동적 응답 축소(주파수 응답 해석과 결이 겹친다), 설계 탐색과 불확실성 정량화. 공통점은 “같은 모델을 조건만 바꿔 아주 여러 번 돌린다”는 것. 그 조건에서 오프라인 스냅샷 비용이 회수된다.

외삽 취약성 — 이게 ROM의 아킬레스건이다. POD 기저는 스냅샷이 본 것만 표현할 수 있다. 레이놀즈수 100에서 뽑은 모드로 레이놀즈수 10,000의 유동을 표현하라고 하면, 근사가 나쁜 정도가 아니라 애초에 그 상태가 기저의 생성공간(span) 밖에 있다. 훈련 구간 밖에서 ROM의 예측은 물리적 근거가 없다.

특히 이류 지배 유동(advection-dominated flow)은 구조적으로 어렵다. 이동하는 파면 하나를 표현하는 데도 POD 모드가 수십 개씩 필요해서 콜모고로프 n-폭이 천천히 감쇠한다 — 압축이 원리적으로 잘 안 된다는 뜻이다.

직접 재 보면 감이 온다. 격자 2000점·스냅샷 200장으로 같은 POD를 돌려, 누적 에너지 99%·99.9%에 필요한 모드 수를 센 결과다.

스냅샷 집합	99%	99.9%
정상파 $\sin(2\pi x)\cos(6\pi t)$	1	1
이동 가우스 펄스, 폭 0.05	11	14
이동 가우스 펄스, 폭 0.02	26	33
이동 가우스 펄스, 폭 0.01	51	65
이동 tanh 파면, 폭 0.002	11	50

변수 분리가 되는 정상파는 모드 1개로 끝나지만, 똑같이 단순한 모양이 이동만 했을 뿐인데 펄스가 날카로울수록 필요한 모드 수가 폭에 거의 반비례해 불어난다. 파면은 99%까지는 싸 보이다가 99.9%에서 갑자기 비싸진다 — 날카로운 꼭지를 맞추는 마지막 0.1%가 비용의 대부분이다. 충격파나 이동 계면이 있는 문제에서 ROM이 잘 안 먹히는 이유가 여기 있다.

안정성. POD-갤러킨 ROM은 저에너지 모드를 잘라내면서 그 모드들이 담당하던 에너지 소산을 함께 잘라버린다. 그 결과 전차수 모델은 멀쩡히 수렴하는데 ROM만 시간이 지나며 발산하는 일이 흔하다. 폐쇄 모델(closure model)을 얹거나 안정화 투영을 쓰는 이유다. 대표가 잔차를 시간 이산화된 방정식에서 최소제곱으로 줄이는 LSPG(최소제곱 페트로프-갤러킨)로, Carlberg 등(2017)은 갤러킨 ROM이 발산하는 압축성 유동에서도 LSPG가 안정적으로 도는 사례를 보였다. 대신 매 스텝 비선형 최소제곱을 푸니 온라인 비용이 갤러킨보다 크다.³

정직한 요약: ROM은 보간 도구이지 예측 도구가 아니다. 검증 및 확인의 관점에서, ROM의 유효 영역은 반드시 스냅샷이 덮은 범위로 명시해야 한다.⁴

8. 관련 문서

• 적합직교분해 · 동적 모드 분해 · 주성분 분석
• 특이값 분해 · 고유값 문제
• 갤러킨 방법 · 기저함수
• 대리 모델 · 크리깅 · 물리 정보 신경망
• 모드 해석
• 나비에-스토크스 방정식 · 카르만 와열
• 보간과 근사
• 검증 및 확인 · 불확실성 정량화

9. Footnotes

1. 정확히는 스냅샷 집합에 대한 평균제곱 투영 오차가 어떤 $r$차원 정규직교 기저보다도 작거나 같다. 에카르트-영 정리(1936)의 직접적인 귀결이다. “최적”이라는 말이 붙었다고 만능이라는 뜻은 절대 아니다 — 어디까지나 주어진 스냅샷에 대해 최적이다. ↩

2. POD, PCA, KL 변환, EOF(기상학), 호텔링 변환… 같은 SVD를 두고 분야마다 이름을 새로 붙였다. 학제간 연구가 어려운 이유의 축소판이다. ↩

3. “전차수는 도는데 ROM만 터진다”를 처음 겪으면 버그를 의심하게 되는데, 대개 버그가 아니라 구조적 문제다. 잘라낸 모드가 하던 일(에너지 소산)을 아무도 대신 안 해주고 있는 것뿐이다. ↩

4. 그럼에도 발표 자료에는 늘 “1만 배 가속”만 적히고 “단, 훈련 범위 안에서”는 각주로도 안 들어간다. 이 문서가 각주에 적어둔다. ↩