WO2021075927A1

WO2021075927A1 - 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법

Info

Publication number: WO2021075927A1
Application number: PCT/KR2020/014202
Authority: WO
Inventors: 양영진; 김탁곤; 유호동
Original assignee: (주)아인스에스엔씨; 주식회사 한국디지털트윈연구소
Priority date: 2019-10-16
Filing date: 2020-10-16
Publication date: 2021-04-22
Also published as: US20220237345A1

Abstract

본 발명의 일 실시예에 따른 컴퓨팅 시스템은, 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템으로서, 상기 컴퓨팅 시스템은 상기 대상 시스템으로부터 얻어지는 획득 데이터를 수신하거나 호출할 수 있는 통신 인터페이스; 복수 개의 하위 모델들을 포함하는 시스템 모델; 및 적어도 하나 이상의 프로세서를 포함한다. 상기 대상 시스템 내에서 상기 복수 개의 하위 모델들 각각의 입력 데이터, 및 출력 데이터는 상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 상기 대상 시스템의 구조적 정보에 기반하여 정의된다. 상기 구조적 정보는 상기 복수 개의 하위 모델들 중 제1 하위 모델과 제2 하위 모델 간의 데이터 연결 관계에 대한 정보를 포함하고, 상기 데이터 연결 관계는 상기 제1 하위 모델의 출력 데이터가 상기 제2 하위 모델의 입력 데이터로 이용될 수 있는 지 여부에 대한 정보를 포함한다.

Description

대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법

본 발명은 물리적인 복잡계를 모델링하고 시뮬레이션하는 기술에 관한 것으로, 보다 구체적으로는 컴퓨팅 시스템을 이용하여 대상 시스템을 기술하는 디지털 모델을 구현하고 동작시키는 기술에 관한 것이다. 또한 디지털 모델의 구현 및 동작 과정에서 종래의 이론 기반 모델과 데이터 분석에 기반한 데이터 기반 모델을 함께 이용함으로써 디지털 모델을 고도화하는 기술에 관한 것이다.

산업 현장에서 생산성, 경제성, 안전성 등을 향상시키고자 하는 요구가 확산되고 있다. 최근에는 사물인터넷(IoT), 빅데이터, 인공지능, 사이버 물리 시스템(CPS, Cyber Physical Systems) 등의 기술이 널리 이용되고 있으며, 이들 기술들이 집약된 기술 트렌드로서 디지털 트윈(Digital Twin) 기술이 주목받고 있다.

디지털 트윈은 물리적 객체(자산, 프로세스 및 시스템 등)들에 대한 디지털 복제(쌍둥이)로서, 수명주기 전체에 걸쳐 대상 객체 요소들의 속성/상태를 유지하며 이들이 어떻게 작동하는 지에 대한 동적 성질을 묘사하는 가상의 모델이라 할 수 있다.

컴퓨팅 시스템에서 구현된 디지털 트윈은 대상 객체(물리적 자산)와 연동하여 현실 상황을 반영하면서 현실에서 발생할 수 있는 상황을 예측하거나 운영을 최적화하는 조건을 알려주는 등 산업 현장에서 다양한 용도로 활용되면서 산업의 경쟁력을 강화하는 수단으로 인식되고 있다.

사물인터넷(IoT) 기술과 디지털 트윈 기술은 밀접한 관련이 있다. 사물인터넷 플랫폼 기술의 고도화는 운용 중인 시스템의 센서 데이터를 실시간으로 수집한 후 기계학습/인공지능 기반의 예측, 고장 진단, 최적화, 예지 진단 등 스마트 서비스를 가능하게 한다. 디지털 트윈 기술은 산업 현장에서 이용되는 것을 전제로 시작되었으나, 최근에는 사이버 시티 등 그 적용되는 영역을 더욱 다양한 스마트 서비스로 확대하고자 하는 노력이 시도되고 있다. 다양한 스마트 서비스에 필요한 모든 데이터를 수집하기 위한 센서 모두를 운용 중인 시스템에 장착시키는 것은 물리적 제약(센서의 위치와 개수), 및/또는 경제적 제약(센서의 개수)으로 인하여 사실상 불가능하다.

이러한 문제점을 부분적으로 해결하기 위한 수단으로서, 미국공개특허 제2017/0286572호 "Digital twin of twinned physical system"에서, 실제 센서의 디지털 트윈을 이용하여 실제 센서의 동작을 시뮬레이션하고, 실세 센서가 작동하지 않게 되었을 때, 디지털 트윈 모델 내의 실제 센서에 대응하는 가상 센서로부터 데이터를 수집하여 실제 센서의 동작을 대체하는 기술이 제안되었다.

한국공개특허 제10-2019-0013610호 "기술 시스템의 동작을 제어하기 위한 시스템, 방법 및 제어 유닛"에서도 실제 센서의 디지털 트윈을 이용하여 가상 센서 데이터를 생성하고, 실제 센서의 이상이 검출되었을 때 가상 센서 데이터로 이상 센서를 대체하는 기술이 제안되었다.

일반적으로 실 세계의 시스템에 대한 동작/성능 분석이나 예측을 수행하기 위해 해당 시스템에 대한 추상화된 모델을 만들고 실행하여 동작/성능 등 관심 측면의 척도를 측정/관찰하게 된다. 이러한 모델을 통한 대상 시스템의 분석/ 예측 결과가 신뢰성을 확보하기 위해서는 해당 시스템을 얼마나 잘(정확하게) 모델링 하는지가 중요한 관건이 된다.

모델링의 한 방법으로 대상 시스템이 포함하는 물리적인 법칙이나 동작 규칙 등의 지식을 활용하여 추상화 모델을 만드는 방법이 있는데, 이는 제어된 입력과 해당 출력 사이의 인과관계를 모델로 표현할 수 있는 모델링 및 시뮬레이션(M&S) 기반의 방법이다. 이 방법은 모델링 대상이 되는 시스템에 대한 자세한 정보들이 가용해야 한다는 제한사항이 있다. 또한 모델링 및 시뮬레이션(M&S) 기반의 방식으로 모델을 구축하는 경우에 그 모델의 유효성을 보장하기 위해서 실제 시스템을 얼마나 잘 반영하는지에 대한 모델을 실제 데이터로 검증하는 과정이 필수적이다. 실 세계 시스템으로부터 데이터 획득이 어려울 경우에 모델의 유효성을 확인할 수 없기 때문에 그 모델 기반의 분석/예측 결과에 대한 신뢰성을 보장할 수 없는 문제가 생길 수 있다.

시스템의 예측 및 분석을 위한 다른 모델링 방법으로 대상 시스템의 운용 및 관측을 통해 획득된 많은 데이터들을 분석함으로써 해당 시스템이 내포하고 있는 규칙/패턴/함수를 도출하는 형태의 데이터 모델링 방법이 있다. 데이터 모델링의 대표적인 방법이라 할 수 있는 기계학습 기반의 모델은 한 세트의 데이터와 다른 데이터 세트 간의 상관관계를 나타내는 방법으로, 빅 데이터 시대에 들어서며 수 많은 데이터를 활용하여 좀 더 효과적인 기계학습이 가능케 되었다. 그러나 기계학습을 통해 구축된 데이터 모델은 해당 시스템이 미래에도 아무런 변경이 없이 운용된다는 전제하에 예측이 가능할 수 있지만, 시스템의 구성 또는 운용 법칙 등이 변경되면 이전에 학습된 모델로 미래를 예측할 수 없다는 한계점이 있다.

다각화 된 사회를 예측하는 수단으로 '빅 데이터'라는 용어가 널리 보급되고 있다. 빅 데이터는 일반적인 소프트웨어 도구가 허용 가능한 경과 시간 내에 수집, 관리 및 처리 할 수 있는 능력을 뛰어 넘는 크기의 데이터 셋을 의미한다. 이러한 대용량 데이터는 기존의 제한된 데이터보다 더 많은 통찰력을 제공하기 때문에 과학, 공학, 국방, 경영, 의학, 정치 등 다양한 분야의 연구에서 많은 관심을 받고 있다. 이러한 이유로 빅 데이터를 활용한 모델링이 빅 데이터 시대에 필수적이고 중요한 이슈가 되고 있다.

물리 법칙 또는 동작 규칙에 의하여 생성되는 모델을 물리 기반 모델(physics-driven model)이라 하며, 데이터를 분석하여 데이터 내에 숨어 있는 규칙을 도출하는 모델을 데이터 기반 모델(data-driven model)이라 한다. 물리 기반 모델은 실측 데이터에만 국한되지 않고 적용 범위를 확장할 수 있다는 장점이 있지만, 실측 데이터에 의한 검증이 필요하다는 단점이 있고, 데이터 기반 모델은 실측 데이터에 대한 검증이 분석 과정에서 먼저 이루어지지만, 실측 데이터를 벗어나는 범위에는 적용되지 못한다는 한계가 있다. 최근에는 인공 신경망, 딥 러닝 기법의 발전으로 인하여 데이터 기반 모델이 물리 기반 모델보다 우수한 성능을 가지는 사례가 보고되고 있으나, 데이터 기반 모델이 우수한 성능을 가지더라도 실측 데이터 범위를 벗어나는 범위에 적용되지 못하는 한계는 여전히 존재한다. 또한 데이터 기반 모델은 데이터 간의 연관성만을 분석할 수 있을 뿐, 어떤 데이터가 원인이고 어떤 데이터가 결과인지 인과 관계를 설명하지 못하는 한계도 가지고 있다.

이러한 데이터 기반 모델과 물리 기반 모델의 장점과 단점을 상호 보완하려는 시도가 존재한다. 예를 들어, 미국공개특허 US 2018/0357343 "OPTIMIZATION METHODS FOR PHSICAL MODELS"에서는 high fidelity를 가지는 physics-driven model과 low fidelity를 가지는 data-driven model의 장단점을 취합한 hybrid model을 제안한다. US 2018/0357343에서는 data-driven model의 계산된 competence 영역이 임계 영역을 벗어나면 physics-driven model을 실행하고, data-driven model과 physics-driven model 간의 discrepancy를 함수 형태로 표현하여 physics-driven model을 calibration한 후, 이 관계를 결합한 hybrid model을 사용한다. 이때 data-driven model의 competence는 data-driven model의 sample data에 대한 accuracy에 기반하여 계산된다.

대상 시스템의 입력 데이터와 출력 데이터가 명확하게 정의된 단일 시스템인 경우, 상기 US 2018/0357343의 적용에 의하여 data-driven model과 physics-driven model 의 장점을 결합한 hybrid model의 이용이 가능하다. 다만 대상 시스템이 복잡해지고 다루어야 하는 변수가 많은 경우에는 대상 시스템을 디지털화하고 디지털 트윈 모델로 구현하기 위해서는 보다 고도화된 데이터 적용이 필요하다.

종래기술 및 상기의 선행기술에서는 실 세계의 동작 또는 상태를 단일 모델로 단순화하여 시뮬레이트한다. 이때 연역적 추론이 가능한 물리 기반 모델과, 데이터 학습에 기반한 데이터 기반 모델을 결합한 하이브리드 모델의 이용이 선행문헌인 US 2018/0357343 에 의하여 개시되었지만, 실 세계의 대상 시스템은 매우 복잡하여 단일 모델만으로 동작 또는 상태를 규명하기는 쉽지 않다.

또한 취급하고자 하는 대상 시스템이 더욱 커지고 복잡해짐에 따라서 단일 모델에 의하여 대상 시스템을 기술하고자(describe) 하는 시도의 한계가 드러나고 있다.

본 발명은 종래기술 및 상기 선행기술의 문제점을 해결하고자 하는 발명으로서, 대상 시스템을 기술하는 다수의 원인과 결과 간의 인과 관계를 모델링하고, 대상 시스템을 부분적으로 기술할 수 있는 하위 모델들의 결합에 의하여 전체 대상 시스템을 통합적으로 기술할 수 있는 시스템 모델을 제안한다. 이때 시스템 모델 내의 하위 모델들 간의 결합 관계, 및/또는 데이터 연결 관계는 구조적 정보에 기반하여 정의되며, 구조적 정보는 대상 시스템에 대한 지식을 이용하여 획득할 수 있다.

본 발명은 물리 기반 모델과 데이터 기반 모델의 장점을 취합하여 동작하는 하이브리드 모델을 제안하는 것을 목적으로 하며, 하이브리드 모델의 적용 범위를 확장하여 복합 모델에 의하여 기술되는 시스템 모델에도 하이브리드 모델을 적용할 수 있는 시스템 모델링 기법을 제안하는 것을 목적으로 한다.

본 발명은 강인한(robust) 분석/예측 지원이 가능하도록 물리 기반 모델과 데이터 기반 모델의 두 모델링 방식의 장점을 상호보완적으로 활용하여 각 접근방법의 한계점을 극복할 수 있는 상호협력적인 대안을 제시하는 것을 목적으로 한다. 이때 사안에 대해서 선택적으로 물리 기반 모델 또는 데이터 기반 모델이 적용되는 종래 기술들 또는 선행기술들과 달리, 물리 기반 모델과 데이터 기반 모델이 보다 강하게 결합되어 복합 모델을 구현할 수 있는 기법을 제안하는 것을 목적으로 한다.

본 발명은 데이터 기반 모델의 정확도를 최대한 활용하되, 데이터 기반 모델이 가지는 한계인 데이터 범위 외의 데이터에 대해서도 추론이 가능한 시스템 모델을 제안하는 것을 목적으로 한다.

본 발명은 데이터 기반 모델을 이용하여 복합적인 원인에 의한 대상 시스템의 동작 또는 상태를 기술할 수 있는 시스템 모델을 제안하고, 데이터 기반 모델 내에서 데이터 간의 상호 연관성을 구조적 정보에 기반하여 설명할 수 있는 설명적 정보(descriptive information)를 생성하는 것을 목적으로 한다.

본 발명은 데이터 기반 모델을 이용하면서도 데이터 기반 모델이 구현하기 어려웠던 규범적 분석(Normative Analysis)을 적용할 수 있는 시스템 모델을 제안하는 것을 목적으로 한다.

본 발명은 데이터 기반 모델과 물리 기반 모델의 장점을 취합한 하이브리드 모델을 복합적인 시스템 모델로 구현하고, 매우 복잡한 대상 시스템을 기술하기 위한 디지털 트윈(Digital Twin)에 복합적인 시스템 모델을 적용하는 것을 목적으로 한다.

본 발명은 상기의 목적을 달성하기 위하여 도출된 구성으로서, 본 발명의 일 실시예에 따른 컴퓨팅 시스템은, 공간 변이 및 시간 변이 중 적어도 하나 이상을 셀에 기반하여 나타내고, 셀 각각마다 둘 이상의 해상도 중 적어도 하나를 이용하여 기술하는 다중 해상도 모델링 기법이 적용되는 대상 시스템을 기술하는 모델을 구현하고 동작시킬 수 있다.

상기 컴퓨팅 시스템은 상기 대상 시스템으로부터 얻어지는 획득 데이터를 수신하거나 호출할 수 있는 통신 인터페이스; 대상 셀의 제1 해상도 및 상기 획득 데이터에 기반하여 얻어지는 제1 해상도 기반 셀 모델에 기반하여, 상기 대상 셀의 제2 해상도 - 상기 제1 해상도보다 높음 - 에 기반한 제2 해상도 기반 셀 모델을 획득하기 위한 천이 모델; 및 적어도 하나 이상의 프로세서를 포함한다.

상기 천이 모델은 상기 획득 데이터 중 상기 대상 셀이 상기 제1 해상도에 기반하여 기술되는 제1 해상도 기반 데이터 셋, 및 상기 대상 셀이 상기 제2 해상도에 기반하여 기술되는 제2 해상도 기반 데이터 셋 간의 관련성에 기반하여 학습된 모델일 수 있다.

상기 천이 모델은 상기 제1 해상도 기반 데이터 셋 및 상기 제2 해상도 기반 데이터 셋 간의 연관성을 학습한 데이터 기반 모델일 수 있다.

상기 천이 모델은 복수 개의 하위 모델들을 포함하고, 상기 복수 개의 하위 모델들 각각은 상기 획득 데이터 중 일부를 입력받고 나머지 중 적어도 일부를 출력으로 추론 또는 예측할 수 있는 모델이고, 상기 천이 모델 내에서 상기 복수 개의 하위 모델들 각각의 입력 데이터, 및 출력 데이터는 상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 상기 대상 시스템의 구조적 정보에 기반하여 정의될 수 있다.

상기 구조적 정보는 상기 복수 개의 하위 모델들 중 제1 하위 모델과 제2 하위 모델 간의 데이터 연결 관계에 대한 정보를 포함하고, 상기 데이터 연결 관계는 상기 제1 하위 모델의 출력 데이터가 상기 제2 하위 모델의 입력 데이터로 이용될 수 있는 지 여부에 대한 정보를 포함할 수 있다.

상기 공간 변이 및 시간 변이 중 적어도 하나 이상은 셀 오토마타 기법에 의하여 셀에 기반하여 나타내어질 수 있다.

상기 적어도 하나 이상의 프로세서는 상기 대상 셀에 대한 새로운 입력 데이터 중 상기 제1 해상도에 대응하도록 생성된 제1 데이터를 선택하여 상기 천이 모델의 입력으로 제공할 수 있고, 상기 천이 모델이 상기 제1 데이터에 기반하여 상기 제1 해상도 기반 셀 모델로부터 상기 제2 해상도 기반 셀 모델을 추론할 수 있도록 상기 천이 모델을 제어할 수 있다.

상기 적어도 하나 이상의 프로세서는 상기 제1 해상도 기반 데이터 셋을 상기 천이 모델의 입력으로 제공할 수 있고, 상기 천이 모델이 상기 제1 해상도 기반 데이터 셋과 상기 제2 해상도 기반 데이터 셋 간의 관련성을 학습할 수 있도록 상기 천이 모델을 제어할 수 있다.

본 발명에 따르면, 대상 시스템을 기술하는 다수의 원인과 결과 간의 인과 관계를 모델링하고, 대상 시스템을 부분적으로 기술할 수 있는 하위 모델들의 결합에 의하여 전체 대상 시스템을 통합적으로 기술할 수 있는 시스템 모델을 제공 할 수 있다. 이때 시스템 모델 내의 하위 모델들 간의 결합 관계, 및/또는 데이터 연결 관계는 구조적 정보에 기반하여 정의되며, 구조적 정보는 대상 시스템에 대한 지식을 이용하여 획득할 수 있다.

본 발명에 따르면 물리 기반 모델과 데이터 기반 모델의 장점을 취합하여 동작하는 하이브리드 모델을 제공할 수 있다. 이때 하이브리드 모델의 적용 범위를 확장하여 복합 모델에 의하여 기술되는 시스템 모델에도 하이브리드 모델을 적용할 수 있는 시스템 모델을 구현할 수 있다.

본 발명에 따르면 데이터 기반 모델의 정확도를 최대한 활용하되, 데이터 기반 모델이 가지는 한계인 데이터 범위 외의 데이터에 대해서도 추론이 가능한 시스템 모델을 구현할 수 있다.

본 발명에 따르면 데이터 기반 모델을 이용하여 복합적인 원인에 의한 대상 시스템의 동작 또는 상태를 기술할 수 있는 시스템 모델을 제공할 수 있다. 또한 데이터 기반 모델 내에서 데이터 간의 상호 연관성을 구조적 정보에 기반하여 설명할 수 있는 설명적 정보(descriptive information)를 생성할 수 있다.

본 발명에 따르면 데이터 기반 모델을 이용하면서도 데이터 기반 모델이 구현하기 어려웠던 규범적 분석(Normative Analysis)을 적용할 수 있는 시스템 모델을 구현할 수 있다.

본 발명에 따르면 데이터 기반 모델과 물리 기반 모델의 장점을 취합한 하이브리드 모델을 복합적인 시스템 모델로 구현하고, 매우 복잡한 대상 시스템을 기술하기 위한 디지털 트윈(Digital Twin)에 복합적인 시스템 모델을 적용할 수 있다.

본 발명에 따르면 데이터 기반 모델이 내장된 시스템 모델은 대상 시스템의 운영 및 관측을 통해 획득된 획득 데이터를 이용한 기계 학습 내용을 내장함으로써, 획득 데이터의 도메인 내에서는 모델 자체가 검증된 모델이 되며, 데이터 기반 모델만을 사용하거나 물리 기반 모델만을 사용하여 대상 시스템을 분석 또는 예측할 때 직면할 수 있는 한계점들을 극복할 수 있다.

기계 학습을 시스템 모델 내에 내장시킴으로써, 대상 시스템에 대해 요구되는 사전 지식의 정도를 경감시키고 모델 실증(실제 데이터로 검증)의 효과를 달성하는 한편, 기계 학습만으로 할 수 없었던 대상 시스템 내의 구조/규칙 변경에 따른 대상 시스템의 행위를 분석 및 예측할 수 있다.

본 발명에 따르면, 기존의 데이터 기반 모델에 비해서 다음의 장점을 가질 수 있다. 일반적으로 데이터 기반 모델은 정적인 데이터에 대해서는 매우 높은 정확도를 나타내지만, 동작에 영향을 미치는 변인이 다양한 동적 분석에 적용하기는 쉽지 않은 것으로 알려지고 있다. 본 발명에 따르면 공간 변이(space variant), 시간 변이(time variant), 확률적인(stochastic) 특징을 가지는 대상 시스템에 대해서도 데이터 기반 모델을 적용할 수 있다.

또한 본 발명에 따르면 대상 시스템의 비선형(non-linear) 특징들을 반영할 수 있다. 실제 세계의 많은 시스템들은 입출력 사이에 중첩의 정리가 성립이 되지 않고 비선형적인 특징을 가지기 때문에 상태천이 함수가 비선형 특징을 고려할 수 있다는 것은 큰 이점이 된다. 또한 실제 시스템으로부터 얻어지는 데이터를 통해 기상 조건 등 추가적인 상황 정보를 표현할 수 있어 실 세계를 모방한 디지털 트윈 모델과 같이 복잡한 디지털 모델의 구현에도 강인한 모델링 기법으로 적용될 수 있다.

도 1은 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시하는 도면이다.

도 2는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 포함하는 시스템 모델의 일 실시예를 도시하는 도면이다.

도 3은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에서 이용되는 구조적 정보의 도출 과정의 일 예를 도시하는 도면이다.

도 4는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 이용하는 획득 데이터의 도메인과, 이론 상 확장 가능한 데이터 도메인의 일 예를 도시하는 도면이다.

도 5는 본 발명의 일 실시예에 따른 시스템 모델이 포함하는 하위 모델의 일 실시예를 도시하는 도면이다.

도 6은 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시하는 도면이다.

도 7은 본 발명의 일 실시예에 따른 시스템 모델의 동작 과정의 일 예를 도시하는 도면이다.

도 8은 본 발명의 일 실시예에 따른 시스템 모델이 기반으로 하는 이론 기반 원시 모델의 일 실시예를 도시하는 도면이다.

도 9는 도 8의 이론 기반 원시 모델에 기반하여 생성되는 시스템 모델의 일 실시예를 도시하는 도면이다.

도 10은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 시스템 모델의 학습 방법을 도시하는 동작 흐름도이다.

도 11은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되며 시스템 모델이 대상 시스템을 추론하도록 시스템 모델을 동작하는 방법을 도시하는 동작 흐름도이다.

도 12는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 이론 기반 모델 내에서 노드의 상태 변화를 기술하는 방식의 일 예를 도시하는 도면이다.

도 13은 본 발명의 일 실시예에 따른 시스템 모델이 기술하고자 하는 대상 시스템으로서, 다중 해상도 모델이 적용된 대상 시스템의 일 예를 도시하는 도면이다.

도 14는 본 발명의 일 실시예에 따른 시스템 모델이 기술하고자 하는 대상 시스템으로서, 교통 흐름을 다중 해상도 모델을 적용하여 기술하고자 하는 경우의 일 예를 도시하는 도면이다.

도 15는 본 발명의 일 실시예에 따른 천이 모델과 그 천이 모델이 기술하고자 하는 다중 해상도 모델에서 데이터의 Disaggregation 천이를 도시하는 도면이다.

상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다.

본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도 1은 본 발명의 일 실시예에 따른 컴퓨팅 시스템(100)을 도시하는 도면이다.

컴퓨팅 시스템(100)은, 대상 시스템을 기술하는 시스템 모델(120)을 포함하고, 시스템 모델(120)을 구현하고 동작할 수 있다. 구체적으로는 컴퓨팅 시스템(100)은 적어도 하나 이상의 프로세서(110), 및 대상 시스템으로부터 얻어지는 획득 데이터를 수신하거나 호출할 수 있는 통신 인터페이스(130)를 포함한다.

대상 시스템은 분석, 추론, 및 예측하고자 하는 실 세계의 시스템을 의미하며, 물리적 법칙에 의하여 동작하는 시스템일 수도 있고, 동작 규칙에 의하여 동작하는 시스템일 수도 있다. 대상 시스템이 의존하는 법칙은 물리적 법칙에 국한되는 것은 아니며, 실시예에 따라서는 사회적, 심리적, 경제적 규칙 또는 이론에 의하여 대상 시스템을 기술할(describe) 수도 있다. 대상 시스템은 해결하고자 하는 문제와 밀접한 연관이 있다. 산불의 확산 과정에 대하여 분석하고 예측하고자 하는 경우, 산불이 발생할 수 있는 삼림의 지형, 나무, 암석 등 객체의 분포가 대상 시스템을 구성할 수 있다. 교통 흐름에 대하여 분석하고 예측하고자 하는 경우, 도로망, 신호 체계, 각 도로의 수용 능력, 도로 상에 위치하는 차량 등이 대상 시스템을 구성할 수 있다. 이 과정에서 돌발 상황의 발생 시 교통 상황의 흐름 등을 분석하고자 하는 경우에는 인간의 심리적인 행동 패턴에 의한 행동 변화 등이 대상 시스템 상에서 규명해야 할 요소로서 추가될 수 있다. 질병의 발생, 확산, 또는 치유 과정에 대해서 분석하고 예측하고자 하는 경우, 세포, 혈관, 골격의 구성, 장기의 구성 또는 혈류 등이 대상 시스템을 구성할 수 있다.

대상 시스템은 스마트 시티의 디지털 트윈과 같은 대규모이고 복잡한 시스템일 수도 있다. 대상 시스템에 영향을 미치는 변인이 매우 많은 경우에 이들을 조합하여 대상 시스템으로 구현하고, 분석 대상 요소를 추상화할 수 있다. 예를 들어, 스마트 시티의 경우라면 국가 공공 데이터(인구 통계, 지도 등)을 수집하거나 활용할 수 있으며, 도시 내의 IoT 인프라 등을 이용하여 수집된 데이터를 연계할 수 있다. 이러한 데이터를 이용하여 도시 내 정책의 변경에 따른 시민들의 행동 양식의 변화를 시뮬레이트할 수도 있고, 재해 또는 지리적 환경에 따른 경제 활동, 유동 인구 활동 등을 시뮬레이트할 수도 있다.

프로세서(110)는 시스템 모델(120)의 구현을 위하여 대상 시스템으로부터 얻어지는 획득 데이터를 시스템 모델(120)이 학습할 수 있도록 시스템 모델(120)을 제어한다. 시스템 모델(120)의 학습이 종료된 이후 대상 시스템에 대한 새로운 입력이 주어지면 프로세서(110)는 새로운 입력에 응답하여 대상 시스템이 취할 동작을 예측하기 위하여 시스템 모델(120)이 새로운 입력에 기반하여 대상 시스템의 동작을 추론 또는 예측할 수 있도록 시스템 모델(120)을 제어할 수 있다.

시스템 모델(120)은 이론 기반 모델(theory-driven model)과 데이터 기반 모델(data-driven model)을 포함할 수 있다. 데이터 기반 모델은 인공 신경망(ANN, Artificial Neural Network)을 포함할 수 있다. 시스템 모델(120)은 일반적으로 메모리 또는 스토리지에 저장되는 데이터의 집합체이며, 학습 대상이 된 획득 데이터 간의 연관성에 대한 분석된 파라미터들이 시스템 모델(120)을 구성한다. 프로세서(110)가 시스템 모델(120)을 제어하는 과정은, 시스템 모델(120)이 저장된 스토리지 또는 메모리에 프로세서(110)가 액세스하고, 프로세서(110)가 시스템 모델(120)을 읽어 다른 연산에 활용하거나, 연산의 결과를 시스템 모델(120)의 파라미터의 일부를 다시 쓰는 형태로 이루어질 수 있다.

도 2는 본 발명의 일 실시예에 따른 컴퓨팅 시스템(100)이 포함하는 시스템 모델(120)의 일 실시예를 도시하는 도면이다.

시스템 모델(120)은 제1 하위 모델(122a, 122b), 및 제2 하위 모델(124)을 포함한다. 제1 하위 모델(122a, 122b)은 제1 데이터(X1, X2, X3, X4)를 입력으로 하며, 제2 데이터(Y1, Y2)를 출력으로 할 수 있다. 제2 하위 모델(124)은 제2 데이터(Y1, Y2)를 입력으로 하며, 제3 데이터(Z)를 출력으로 할 수 있다. 시스템 모델(120)은 제3 데이터(Z)를 최종 출력으로 할 수 있지만, 본 발명의 사상이 도 2의 실시예에 국한되는 것은 아니다.

시스템 모델(120) 내에 포함되는 복수 개의 하위 모델들(122a, 122b, 124) 각각은 획득 데이터 중 일부를 입력받고 나머지 중 적어도 일부를 출력으로 추론 또는 예측할 수 있는 모델이다. 시스템 모델(120) 내에서 복수 개의 하위 모델들(122a, 122b, 124) 각각의 입력 데이터, 및 출력 데이터는 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 대상 시스템의 구조적 정보에 기반하여 정의될 수 있다. 구조적 정보는 복수 개의 하위 모델들(122a, 122b, 124) 중 제1 하위 모델(122a, 122b)과 제2 하위 모델(124) 간의 데이터 연결 관계에 대한 정보를 포함하고, 데이터 연결 관계는 제1 하위 모델(122a, 122b)의 출력 데이터가 제2 하위 모델(124)의 입력 데이터로 이용될 수 있는 지 여부에 대한 정보를 포함할 수 있다.

제1 데이터(X1, X2, X3, X4), 제2 데이터(Y1, Y2), 및 제3 데이터(Z)는 대상 시스템으로부터 실제로 측정, 또는 관측되어 얻어질 수 있는 데이터이다. 프로세서(110)는 대상 시스템의 실제 획득 데이터 중에서 구조적 정보에 기반하여 제1 하위 모델(122a, 122b), 및 제2 하위 모델(124)에 적합한 제1 데이터(X1, X2, X3, X4), 제2 데이터(Y1, Y2), 및 제3 데이터(Z)를 선택할 수 있다.

프로세서(110)는 획득 데이터 중 구조적 정보에 기반하여 제1 데이터(X1, X2, X3, X4)를 제1 하위 모델(122a, 122b)의 입력으로 제공하고, 구조적 정보에 기반하여 획득 데이터 중 제2 데이터(Y1, Y2)를 제1 하위 모델(122a, 122b)의 학습을 위한 제1 하위 모델(Y1, Y2)의 출력으로 제공할 수 있다. 프로세서(110)는 구조적 정보에 기반하여 제2 데이터(Y1, Y2)를 제2 하위 모델(124)의 입력으로 제공할 수 있다. 프로세서(110)는 제1 하위 모델(122a, 122b)이 제1 데이터(X1, X2, X3, X4) 및 제2 데이터(Y1, Y2) 간의 관계를 학습할 수 있도록 제1 하위 모델을 제어할 수 있다.

또한 프로세서(110)는 구조적 정보에 기반하여 획득 데이터 중 제3 데이터(Z)를 제2 하위 모델(124)의 학습을 위하여 제2 하위 모델(124)의 출력으로 제공할 수 있다. 프로세서(110)는 제2 하위 모델(124)이 제2 데이터(Y1, Y2) 및 제3 데이터(Z) 간의 관계를 학습할 수 있도록 제2 하위 모델(124)을 제어할 수 있다.

제1 하위 모델(122a, 122b) 및/또는 제2 하위 모델(124)이 학습된 상태에서 새로운 입력 데이터에 기반하여 제1 하위 모델(122a, 122b) 및/또는 제2 하위 모델(124)이 대상 시스템의 동작을 추론 또는 예측할 수 있다.

이때 프로세서(110)는 실측 데이터가 아닌 새로운 입력 데이터를 제1 데이터(X1, X2, X3, X4)로 선택하여 제1 하위 모델(122a, 122b)의 입력으로 제공할 수 있다. 이때에는 제1 하위 모델(122a, 122b)의 추론 또는 예측에 의하여 출력되는 데이터를 제2 데이터(Y1, Y2)로 지정하고, 제2 데이터(Y1, Y2)를 제2 하위 모델(124)의 입력으로 제공할 수 있다. 프로세서(110)에 의하여 제1 하위 모델(122a, 122b)의 추론 또는 예측에 의하여 출력되는 제2 데이터(Y1, Y2)가 제2 하위 모델(124)의 입력으로 제공되는 과정은 구조적 정보에 기반하여 실행될 수 있다. 또한 프로세서(110)에 의하여 새로운 입력 데이터 중에서 제1 데이터(X1, X2, X3, X4)가 선택되는 과정도 구조적 정보에 기반하여 실행될 수 있다.

프로세서(110)는 제1 하위 모델(122a, 122b)이 제1 데이터(X1, X2, X3, X4)에 기반하여 대상 시스템의 동작, 상태, 또는 상태 변화를 추론 또는 예측할 수 있도록 제1 하위 모델(122a, 122b)을 제어하고, 제2 하위 모델(124)이 제2 데이터(Y1, Y2)에 기반하여 대상 시스템의 동작, 상태, 또는 상태 변화를 추론 또는 예측할 수 있도록 제2 하위 모델(124)을 제어할 수 있다. 이때 도 2에는 제2 하위 모델(124)의 출력 데이터가 제3 데이터(Z)로서 시스템 모델(120)의 최종 출력으로 사용자에게 제공되는 실시예가 도시되었으나, 본 발명의 실시예에 따라서는 제2 하위 모델(124)의 출력 데이터에 기반하여 추가적인 연산이 실행될 수 있고, 따라서 제2 하위 모델(124)의 출력 데이터에 기반하여 생성되는 데이터가 시스템 모델(120)의 최종 출력으로 사용자에게 제공될 수도 있다.

이때 복수 개의 하위 모델들(122a, 122b, 124) 각각은 대상 시스템과 관련한 획득 가능한 도메인 지식, 경험, 및 이론에 기반하여 정의되며 연역적인 추론이 가능한 이론 기반 모델 또는 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 어느 하나이거나, 상기 이론 기반 모델 및 상기 데이터 기반 모델이 상호 보완되도록 결합된 모델일 수 있다. 이때 데이터 기반 모델은 인공 신경망(ANN, Artificial Neural Network)을 이용하는 모델일 수 있다. 이론 기반 모델은 물리적 법칙, 동작 규칙 등에 의하여 정의될 수 있고, 획득 가능한 도메인 지식, 경험, 및 이론은 물리학, 심리학, 경제학, 사회학에 기반한 이론을 모두 포함할 수 있다.

일반적인 데이터 기반 모델은 최근 급속한 발전을 통하여 데이터 분석 및 예측의 정확도를 높였지만, 그 내부가 블랙 박스(black box)로 취급되어 내부의 동작을 인간이 이해하기 어려운 문제점이 있다. 따라서 실제로 얻어진 데이터 도메인 내에서만 정확한 예측이 가능할 뿐, 데이터 도메인을 벗어나는 입력에 대해서는 정확한 예측이 어렵다. 한편, 일반적인 이론 기반 모델은 설명적/연역적 추론이 가능하고, 정해진 도메인을 벗어나는 입력에 대해서도 추론이 가능하지만, 실제 데이터를 적용하여 실제 시스템에서 일어나는 일을 예측하는 지 검증이 필요하다.

본 발명의 일 실시예에 따른 시스템 모델(120)은 데이터 기반 모델과 이론 기반 모델을 상호 보완적으로 결합할 수 있을 뿐더러, 구조적 정보를 이용하여 큰 프레임은 이론 기반 모델처럼 구성하고, 각 하위 모델들(122a, 122b, 124)은 데이터 기반 모델로 구성할 수도 있다. 이 경우, 시스템 모델(120)의 전체 구조는 지식, 이론, 또는 경험에 의하여 얻어지므로, 설명적/연역적 추론이 가능하고, 정해진 도메인을 벗어나는 입력에 대해서도 추론이 가능하다. 한편, 각 하위 모델(122a, 122b, 124)이 데이터 기반 모델인 경우 획득 데이터 도메인 내에서는 이미 데이터에 기반하여 얻어진 모델이므로, 실측 데이터에 의한 검증이 추가적으로 필요하지 않다.

또한 본 발명의 실시예에서는 모든 하위 모델(122a, 122b, 124)이 이론 기반 모델로 구성될 수도 있고, 하위 모델(122a, 122b, 124) 중 일부는 이론 기반 모델이고, 나머지는 데이터 기반 모델로 구성될 수도 있다. 모든 하위 모델(122a, 122b, 124)이 이론 기반 모델로 구성되는 경우는 각 하위 모델(122a, 122b, 124)이 실측 데이터에 의한 검증을 거치고, 데이터 기반 모델과 동등한 정확도를 나타내는 경우를 생각해 볼 수 있을 것이다.

예를 들어, 도 2의 시스템 모델(120)에서 특정한 하위 모델(122a)만이 데이터 기반 모델이고, 다른 하위 모델(122b, 124)은 이론 기반 모델이 데이터 기반 모델 못지 않은 정확도로 실제 대상 시스템을 예측할 수 있다고 가정할 수 있다. 이때 특정한 하위 모델(122a)은 주어진 획득 데이터의 도메인 내에서만 유효하지만, 다른 하위 모델들(122b, 124)은 획득 데이터의 도메인을 벗어나는 확장된 범위에서도 동작 가능하다. 이러한 시스템 모델(120)에서는 사용자가 입력 데이터 중 X3, X4를 기존 범위를 벗어나도록 입력하는 경우에 대상 시스템의 동작을 예측하기를 원할 때 충분히 사용자의 요구를 충족하는 솔루션을 제공할 수 있다.

즉, 대상 시스템을 이론 기반 모델로 상당 부분 모델링 가능한 경우에 특정한 하위 모델(122a)에 대해서만 데이터 기반 모델의 성능이 이론 기반 모델의 성능보다 우수한 경우, 특정한 하위 모델(122a)로 데이터 기반 모델을 이용하고, 시스템 모델(120)의 나머지 부분은 이론 기반 모델을 이용할 수도 있다.

일반적으로 데이터 기반 모델은 "무엇이 발생했는가?"를 분석하는 서술적 분석에 기반하여 "무엇이 발생할 것인가?"를 분석하는 예측적 분석에 강점을 가지는 것으로 알려져 있지만, "어떻게 그 이벤트가 발생했는가?" 또는 "원하는 결과를 얻으려면 어떻게 해야 하나?" 등을 분석하는 규범적 분석(Normative Analysis)을 지원하기 어려운 것으로 알려져 있다.

본 발명의 일 실시예에 따른 시스템 모델(120)은 데이터 기반 모델과 이론 기반 모델을 상호 보완적으로 결합함으로써, 데이터 기반 모델을 이용하면서도 이론에 기반한 구조적 정보를 이용하여 규범적 분석을 지원할 수 있다.

위의 예에서 특정한 하위 모델(122a)은 블랙 박스이므로 특정한 하위 모델(122a)의 동작 규칙을 변경할 수는 없으나, 다른 하위 모델들(122b, 124)의 동작 규칙은 변경할 수 있다. 또한 특정한 하위 모델(122a)의 내부의 동작 규칙을 변경할 수는 없으나, 특정한 하위 모델(122a)과 연결되는 주변의 다른 하위 모델들(122b, 124)의 동작 규칙을 변경함으로써, 전체 시스템 모델(120) 내에서 특정한 하위 모델(122a)의 상대적인 동작 규칙이 변경되는 것처럼 취급될 수 있다. 이 같은 시스템 모델(120) 내의 상대적인 동작 규칙을 변경할 수 있으므로, 시스템 모델(120)은 예측적 분석으로부터 규범적 분석(제어 정책 등을 포함함)을 수행할 수 있고, 규범적 분석으로부터 인지적 분석(계획 수립 등을 포함함)을 수행할 수 있다.

단일한 데이터 기반 모델을 블랙 박스로 취급한다면, 이론 기반 모델은 화이트 박스(White Box)로, 데이터 기반 모델과 이론 기반 모델이 결합된 모델은 그레이 박스(Gray Box)로 생각할 수 있을 것이다. 이때 데이터 기반 모델의 입력과 출력만을 연계하여 관찰하는 경우 해당 하위 모델 블록은 블랙 박스로 생각될 수 있으나, 전체 시스템 모델(120)의 관점에서 보면, 데이터 도메인 내에서는 해당 데이터 기반 모델의 입력과 출력 데이터를 포함하여 주변의 다른 이론 기반 모델에 의하여 시스템 동작이 완전히 재현될 수 있으므로, 전체 시스템 모델(120)의 관점에서는 내부에 데이터 기반 모델을 하위 블록으로 포함하는 경우에도, 그레이 박스를 넘어서 화이트 박스로 인식해도 무방할 것이다.

또한 본 발명의 실시예에 따라서는 하나의 하위 모델에 이론 기반 모델과 데이터 기반 모델이 병용될 수 있다. 예를 들어 이론 기반 모델이 수학적 관계식을 제시하지만, 관계식의 계수나 차수는 정확히 알려주지 못하는 경우가 있을 수 있다. 이런 경우에 데이터 기반 학습에 의하여 이론 기반 모델의 계수나 차수를 구할 수도 있다.

설명의 편의를 위하여 간단한 예로 제1 하위 모델(122a, 122b)은 데이터 기반 모델이고, 제2 하위 모델(124)은 이론 기반 모델인 경우를 가정해 보자. 이론 기반 모델인 제2 하위 모델(124)은 Z = mY1 + nY2 라는 간단한 선형 관계식으로 기술될 수 있다고 알려줄 수 있다. 다만 계수 m과 n이 어떤 값인 지는 이론만으로는 알 수 없는 경우라고 가정한다. 이때 m과 n을 구하기 위하여 Y1, Y2, Z 간의 데이터 기반 학습에 의하여 계수 m과 n을 구할 수 있다.

즉, 하나의 하위 모델은 데이터 기반 모델로 모델링될 수도 있고, 이론 기반 모델이지만 그 계수 또는 차수를 데이터 기반 학습에 의하여 특정할 수도 있다. 또한 이론적 기반이 명백한 경우에는 이론 기반 모델은 매우 확정적인 수학적 모델로 구현될 수도 있다.

이 같은 다양한 하위 모델의 형태가 있을 수 있는데, 본 발명의 시스템 모델(120)은 구조적 정보에 기반하여 전체 시스템 모델(120)의 구조가 결정되는 점이 종래 기술들과 차별화되는 특징이고, 이러한 구조적 정보에 기반하여 각 하위 모델들이 연결되며, 하나하나의 하위 모델은 블랙 박스에 해당하더라도, 그 하위 모델과 연결되는 다른 하위 모델들은 그 블랙 박스의 입력과 출력을 이용하여 시스템 동작을 완전히 재현할 수 있으므로 시스템 모델(120)은 구조적 정보에 기반하여 화이트 박스와 같은 결과를 사용자에게 제공할 수 있다. 시스템 모델(120)의 화이트 박스처럼 동작하는 특성은, 데이터 기반 모델을 하위 모델로 활용하는 경우에도 사용자에게 시스템 모델(120)의 내부의 데이터 간의 연관성에 대하여 설명적 정보(descriptive information)를 제공할 수 있는 플랫폼을 제공한다.

시스템 모델(120)의 내부 구조를 정의하는 구조적 정보는 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 이론 기반 원시 모델(primitive model)에 기반하여 얻어질 수 있다. 이론 기반 원시 모델은 대상 시스템 내의 파라미터들 간의 데이터 연결 관계, 인과 관계에 기반하여 도출될 수 있다. 이론 기반 원시 모델이 포함하는 다양한 파라미터들 각각이 획득 데이터에 포함될 수 있는지, 즉, 대상 시스템에 대하여 실제로 측정 또는 관측되는 파라미터인 지가 식별되고, 각 파라미터들이 식별된 정보가 대상 시스템에 대한 구조적 정보로서 도출된다.

지식, 경험, 실험, 관측, 이론 등으로부터 이론 기반 원시 모델을 도출하고, 여기에 대상 시스템으로부터 얻을 수 있는 데이터를 식별하는 과정을 거쳐서 구조적 정보가 도출될 수 있다. 이 과정은 컴퓨팅 시스템(100) 또는 별도의 컴퓨팅 시스템에 의하여 실행될 수도 있고, 일부 과정에 인간이 개입하여 컴퓨팅 시스템(100)과 상호 작용함으로써 실행할 수도 있다.

예를 들어, 이론 기반 원시 모델을 설정하는 것은 인간의 행위에 의하여 실행된 상태에서, 이론 기반 원시 모델의 각 노드를 구성하는 파라미터들 각각이 대상 시스템으로부터 실제로 얻어질 수 있는 데이터에 해당하는 지 여부는 컴퓨팅 시스템에 의하여 식별될 수도 있다.

이때 상기 구조적 정보는 상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 이론 기반 원시 모델을 구성하는 상기 대상 시스템 내의 파라미터들 중 상기 복수 개의 하위 모델들 각각의 입력 데이터 또는 출력 데이터로 선택될 수 있는 관련 파라미터에 대한 정보를 포함하고, 상기 관련 파라미터 각각이 상기 이론 기반 원시 모델에 기반하여 상기 복수 개의 하위 모델들 각각의 입력 데이터 및 출력 데이터로 정의되는 하위 모델 데이터 구조 정보를 포함할 수 있다.

제1 데이터(X1, X2, X3, X4)가 실제 획득 데이터로부터 얻어지는 경우, 제1 데이터(X1, X2, X3, X4)와 동일한 시간 변이, 또는 공간 변이에서 나타나는 제2 데이터(Y1, Y2)의 분포는 획득 데이터 도메인(410)으로 도시된다. 한편, 실제 획득 데이터로부터 얻어지는 제2 데이터(Y1, Y2)와 동일한 시간 변이, 또는 공간 변이에서 나타나는 제3 데이터(Z)의 분포 또한 획득 데이터 도메인(430)으로 도시된다.

시스템 모델(120)의 설계 또는 계획을 수립할 목적으로 획득 데이터 도메인(410, 430)을 넘어서는 데이터를 시스템 모델(120)에 입력으로 제공할 수 있다. 예를 들어 제1 데이터(X1, X2, X3, X4)가 획득 데이터 도메인(410)을 벗어나는 경우, 시스템 모델(120)은 획득 데이터 도메인(410)을 벗어나는 제1 데이터(X1, X2, X3, X4)에 기반하여 대상 시스템의 동작을 추론하고, 이때 나타나는 제2 데이터(Y1, Y2)의 분포는 확장된 데이터 도메인(420)을 구성할 수 있다.

마찬가지로 획득 데이터 도메인(430)을 벗어나는 제2 데이터(Y1, Y2)에 기반하여 시스템 모델(120)은 대상 시스템의 동작을 추론하고, 이때 나타나는 제3 데이터(Z)의 분포는 확장된 데이터 도메인(440)을 구성할 수 있다.

본 발명의 시스템 모델(120)은 데이터 기반 모델의 정확도를 최대한 활용하되, 데이터 기반 모델이 가지는 한계인 획득 데이터 도메인(410, 430)을 벗어나는 데이터에 대해서도 대상 시스템의 동작을 추론 또는 예측할 수 있다.

도 5는 본 발명의 일 실시예에 따른 시스템 모델(120)이 포함하는 하위 모델(122a)의 일 실시예를 도시하는 도면이다.

도 5의 하위 모델(122a)은 내부에서 데이터 기반 모델(510)과 이론 기반 모델(520)을 포함하고, 논리 모듈(530)이 데이터 기반 모델(510)과 이론 기반 모델(520) 사이에서 어느 하나의 출력을 선택하거나, 데이터 기반 모델(510)과 이론 기반 모델(520)의 출력을 결합하여 하위 모델(122a)의 출력을 생성한다.

본 발명의 일 실시예에 따르면, 데이터 기반 모델(510)과 이론 기반 모델(520)은 경합적으로 결합될 수 있다. 예를 들어, 실제 획득 데이터 범위 내의 입력 데이터가 주어질 때, 데이터 기반 모델(510)과 이론 기반 모델(520) 각각의 예측 정확도에 기반하여 논리 모듈(530)이 데이터 기반 모델(510)과 이론 기반 모델(520) 간의 어느 하나를 선택하도록 설계될 수 있다.

본 발명의 일 실시예에 따르면, 데이터 기반 모델(510)과 이론 기반 모델(520)은 상호 보완적으로 결합될 수 있다. 도 5에서 주어지는 입력 데이터(X1, X2)가 획득 데이터 도메인(410)을 벗어나는지 여부에 기반하여 논리 모듈(530)은 데이터 기반 모델(510)과 이론 기반 모델(520) 중 어느 쪽을 적용할 지 선택할 수 있다. 예를 들어, 획득 데이터 도메인(410) 내에서는 데이터 기반 모델(510)이, 획득 데이터 도메인(410)을 벗어나는 입력 데이터에 대해서는 이론 기반 모델(520)이 적용될 수 있다.

확장 데이터 도메인(420)에서 이론 기반 모델(520)이 적용되기 위해서는, 획득 데이터 도메인(410) 내에서 이론 기반 모델(520)과 데이터 기반 모델(510) 간의 연관성/정합성을 높이기 위한 과정이 필요할 수 있다. 이러한 과정은, 예를 들면 이론 기반 모델(520)의 계수 또는 차수에 대한 커브 피팅(curve fitting) 등의 형태로 이루어질 수 있다. 이론 기반 모델(520)과 데이터 기반 모델(510) 간의 정합성을 개선하기 위하여, 도 2의 시스템 모델(120)과 유사한 형태를 가지는 별도의 하이브리드 모델이 적용될 수 있다.

도 4 및 도 5를 함께 참조하면, 확장 데이터 도메인(420, 440)까지 데이터를 확장하려는 시도는, 예를 들면, 획득 데이터 도메인(410, 430) 내의 데이터의 분포가 정성적으로 비대칭일 때 특히 의미가 있다. 공장의 설비를 대상 시스템으로 하여 구현된 시스템 모델의 경우, 정상 동작 데이터가 비정상 동작 데이터보다 현저하게 많을 것이다. 따라서 비대칭인 상태의 데이터를 이용하여 학습하는 경우, 시스템 모델은 정상 동작 데이터에 오버핏(overfit)된 채로 학습될 가능성이 있다. 또한 실제 상황에서는 비정상 동작 데이터를 취득하는 것이 용이하지 않으므로, 가상의 상황을 가정하여 데이터를 확장함으로써 비대칭적인 데이터의 분포를 조금이나마 보상할 수 있다.

이러한 데이터의 확장은, 대상 시스템의 현재 동작으로부터 미래 동작을 예측하는 경우에 데이터의 균형적인 분포를 확보하기 위하여 필요하다. 또한 정상 동작/비정상 동작 뿐만이 아니라, 대상 시스템의 신뢰성, 안정성, 품질, 또는 성능의 개선을 위한 설계 변경, 계획의 수립의 경우에도 확장된 데이터 도메인(420, 440)에 대한 시스템 모델의 분석 및 예측은 필요하다.

도 6은 본 발명의 일 실시예에 따른 컴퓨팅 시스템(100)을 도시하는 도면이다. 도 6을 참조하면, 컴퓨팅 시스템(100)은 사용자 인터페이스(140)를 더 포함함으로써, 사용자와 상호 작용하는 서비스 모델을 용이하게 구현할 수 있다.

컴퓨팅 시스템(100)은 대상 시스템에 관한 사용자 질의를 수신하고 적어도 하나 이상의 프로세서(110)로 전달하는 사용자 인터페이스(140)를 더 포함하고, 적어도 하나 이상의 프로세서(110)는 사용자 질의를 해석하여 컴퓨팅 시스템(1000 내에서 실행될 수 있는 인스트럭션 명령으로 변환할 수 있다.

사용자 질의에 응답하여, 프로세서(110)는 구조적 정보에 기반하여 대상 시스템의 동작 및 상태를 사용자가 이해하기 용이하도록 해석하여 표현할 수 있다.

도 7은 본 발명의 일 실시예에 따른 시스템 모델(120)의 동작 과정의 일 예를 도시하는 도면이다.

도 7을 참조하면, 하위 모델(122a)은 조건 변수인 C1을 가지고, 하위 모델(122b)은 조건 변수인 C2를 가지고, 하위 모델(124)은 조건 변수인 C3을 가진다. C1, C2, C3은 조건 변수, 제어 변수, 또는 설계 변수일 수 있다. 하위 모델들(122a, 122b, 124) 각각이 데이터 기반 모델이라 하더라도, 하위 모델들(122a, 122b, 124)이 시스템 모델(120) 내에서 다른 하위 모델들과 결합하는 과정에서 반영되는 조건 변수가 구조적 정보에 기반하여 결정될 수 있다.

사용자 질의가 있는 경우, 프로세서(110)는 사용자 질의에 대해서 구조적 정보, 및 조건 변수/제어 변수/설계 변수인 C1, C2, C3을 이용하여 대상 시스템에 대한 규범적 분석, 계획 수립 및 설계 최적화의 제안을 생성할 수 있다.

적어도 하나 이상의 프로세서(110)는 사용자 질의가 제1 데이터(X1, X2, X3, X4), 제2 데이터(Y1, Y2), 및 제3 데이터(Z) 중 적어도 둘 이상의 연관성에 대한 질의를 포함하는 경우, 구조적 정보 및 하위 모델들(122a, 122b, 124)의 데이터 연결 관계에 기반하여 제1 데이터(X1, X2, X3, X4), 제2 데이터(Y1, Y2), 및 제3 데이터(Z) 중 적어도 둘 이상의 연관성에 대응하는 대상 시스템의 조건 변수, 제어 변수, 또는 설계 변수 중 적어도 하나 이상을 탐색하여 대응 탐색 결과를 생성하고, 상기 대응 탐색 결과에 기반하여 사용자 질의에 대한 응답을 생성하고, 사용자 질의에 대한 응답을 사용자 인터페이스(140)로 전달할 수 있다.

예를 들어, 하위 모델들(122a, 122b, 124)이 모두 데이터 기반 모델인 경우, 제1 데이터(X1, X2, X3, X4)로부터 시스템 모델(120)이 제3 데이터(Z)를 예측한 결과의 도출 과정을 사용자 질의가 포함하는 경우, 프로세서(110)는 시스템 모델(120)에서 직접 드러나지 않는 중간 결과물인 제2 데이터(Y1, Y2) 및 하위 모델들(122a, 122b, 124) 간의 연결 관계에 기반하여 대상 시스템을 기술하는 시스템 모델(120)에 대한 설명적 정보(descriptive information)를 제공할 수 있다. 또한 프로세서(110)는 설명적 정보의 유효성, 신뢰성, 안정성을 중간 결과물인 제2 데이터(Y1, Y2)의 실측 데이터에 기반하여 검증할 수 있다.

사용자 질의가, 제1 데이터(X1, X2, X3, X4)가 획득 데이터에 의하여 커버되는 획득 데이터 도메인(410)을 벗어나는 경우(의도된 가혹한 환경 또는 미지의 동작 조건)에 대한 대상 시스템의 동작에 대한 예측을 포함하는 경우, 적어도 하나 이상의 프로세서(110)는 제1 하위 모델(122a, 122b)에 제1 데이터(X1, X2, X3, X4)를 입력하여 제1 하위 모델(122a, 122b)이 제1 데이터(X1, X2, X3, X4)에 응답하여 대상 시스템의 동작을 예측하도록 제어할 수 있다. 적어도 하나 이상의 프로세서(110)는 제1 하위 모델(122a, 122b)로서 연역적인 추론이 가능한 이론 기반 모델, 또는 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 하나를 적용하거나, 또는 이론 기반 모델 및 데이터 기반 모델을 상호 보완하도록 결합하여 제1 하위 모델(122a, 122b)에 적용할 수 있다.

사용자 질의가, 제3 데이터(Z)의 분포가 조정되는 조건을 포함하는 경우(대상 시스템의 신뢰성, 안정성, 성능, 품질을 개선하고자 하는 의도를 포함할 수 있음), 적어도 하나 이상의 프로세서(110)는 구조적 정보 및 시스템 모델(120)에 기반하여 획득 데이터 중에서 제1 데이터(X1, X2, X3, X4)에 적용 가능한 데이터의 제1 분포, 상기 제1 분포와 관련되는 제2 데이터(Y1, Y2)의 제2 분포, 및 상기 제2 분포와 관련되는 상기 제3 데이터(Z)의 제3 분포를 생성할 수 있다. 이때 제3 데이터(Z)가 획득 데이터 도메인(430) 내에서 가지는 분포가 나타내는 특성 정보를 대상 시스템의 안정성, 신뢰성, 품질, 성능 등의 지표로 평가할 수 있다고 가정한다. 이 과정은 예를 들면, 조건 변수의 집합 {C1, C2, C3}를 가변하며 반복적으로 추론/예측을 반복하여 다양한 조건 변수의 집합 {C1, C2, C3}에 대응하는 시뮬레이션 결과를 확보하는 것으로 이해될 수 있다. 또는 프로세서(110)는 획득 데이터 내에서 각 데이터의 현실 분포와, 원하는 품질 또는 성능을 나타내는 데이터의 타겟 분포 간의 관련성을 분석하고, 현실 분포에서 타겟 분포를 도출하기 위한 조건 변수의 집합 {C1, C2, C3}의 변경에 관한 제안을 생성할 수 있다. 이처럼 적어도 하나 이상의 프로세서(110)는 상기 제1 분포, 상기 제2 분포, 상기 제3 분포, 및 상기 구조적 정보에 기반하여 사용자 질의에 응답하여 상기 제1 분포의 범위의 제한 조건을 제공하거나, 상기 대상 시스템의 조건 변수, 제어 변수, 또는 설계 변수 중 적어도 하나 이상에 대한 변경 가능성을 상기 사용자에게 제공할 수 있다.

예를 들어, 도 4에서 획득 데이터 도메인(410, 430)에서 현실 분포는 데이터가 균일하게 분포되어 있는데, 대상 시스템의 안정성, 신뢰성을 높이거나 최종 출력물의 품질, 성능을 개선하기 위해서는 획득 데이터 도메인(410, 430)의 중심으로 데이터가 더욱 집중되기를 원한다면, 이러한 니즈에 따라서 타겟 분포가 설정될 수 있을 것이다. 이때 사용자 질의는 복합적인 니즈를 포함할 수 있는데, 예를 들어 대상 시스템의 안정성 및 신뢰성을 저하시키지 않으면서 최종 출력물의 품질, 성능을 개선하는 복합적인 니즈를 타겟 분포로 변환하여 설정할 수 있다. 프로세서(110)는 주어진 현실 분포에서 타겟 분포를 얻기 위하여 시스템 모델(120) 내의 구조적 정보 및 조건 변수 C1, C2, C3를 조정하거나, 입력 데이터의 범위를 제한할 것을 제안으로 생성할 수 있다.

도 8은 본 발명의 일 실시예에 따른 시스템 모델이 기반으로 하는 이론 기반 원시 모델(800)의 일 실시예를 도시하는 도면이다.

도 9는 도 8의 이론 기반 원시 모델(800)에 기반하여 생성되는 시스템 모델(900)의 일 실시예를 도시하는 도면이다.

시스템 모델링을 위하여 먼저 대상 시스템과 관련한 획득 가능한 도메인 지식/경험 및 이론 등을 파악하여 대상 시스템에 대한 가설적 모델을 Gray Box 형태로 정의할 수 있다. 가설적 모델 자체로는 시뮬레이션이 어렵기 때문에 모델 완성에 필요한 동작 함수, 파라미터 등의 정보를 확보하여 완전한 모델을 구성하는 과정이 필요하게 된다. 모델 완성에 필요한 정보들은 대상 시스템을 실제로 운용/관측함으로써 빅데이터를 획득하고, 획득된 빅데이터에 대해 기계학습을 통해 가설적 모델을 이용하여 이론 기반 원시 모델(800)을 생성하기 위해 필요한 정보를 획득한다. 대상 시스템의 실제 운용 및 관측을 통해서 획득된 빅데이터를 인공신경망 등의 기계학습 알고리즘을 이용하여 학습함으로써, 이론 기반 원시 모델(800)에 필요한 정보들을 학습할 수 있다. 실제 데이터에 기반하여 학습 및 검증된 정보들을 가설적 모델에 적용하여 대상 시스템에 대한 이론 기반 원시 모델(800)이 생성된다.

이론 기반 원시 모델(800)은 대상 시스템에서 나타낼 수 있는 다수의 파라미터들에 의하여 구조적 정보를 가지도록 구현된다. 이때 각 파라미터들이 모두 확보되는 것을 전제로, 이론 기반 원시 모델(800)은 화이트 박스에 해당한다. 그러나 실제로는 모든 파라미터들이 대상 시스템으로부터 실제로 측정 또는 관찰될 수 있는 것이 아니므로, 이를 시스템 모델(900)로 구현하기 위해서는 편집이 필요하다.

도 8에서 파라미터들 중 y1' 은 실제로 측정 또는 관찰될 수 없는 파라미터라고 가정한다. 파라미터 y1' 과 관련된 하위 모델들(810, 820)은 그대로 시스템 모델(900)에 적용될 수는 없고, 시스템 모델(900)에 적용하기 위해서는 변형이 필요하다.

도 9에 도시된 것처럼, 파라미터 y1' 에 관련된 하위 모델들(810, 820)은 하나의 하위 모델(910)로 병합되어 시스템 모델(900) 내에 포함될 수 있다. 이때, x1', x2', w1' 는 모두 대상 시스템으로부터 실제로 측정 또는 관찰될 수 있다고 가정한다.

대상 시스템으로부터 실제로 측정 또는 관찰될 수 있는 파라미터들만 시스템 모델(900)의 주요 노드로 설정되므로, 시스템 모델(900)의 하위 모델들은 데이터 기반 모델로 구현될 수도 있고, 이론 기반 모델로 구현될 수도 있다. 이때 구조적 정보는 시스템 모델(900) 내의 하위 모델들 간의 연결 관계, 결합 관계에 대한 정보를 포함하므로, 시스템 모델(900)의 Semantics로서 각 하위 모델들의 동작에 관여할 수 있다.

본 발명의 일 실시예에서는 하위 모델들이 부분적으로 데이터 기반 모델일 수도 있고, 모든 하위 모델들을 데이터 기반 모델로 구성할 수도 있다. 그러나 구조적 정보에 의하여 각 하위 모델들의 연결 관계, 즉, 시스템 모델(900)의 내부 구조가 주어지므로, 시스템 모델(900)은 데이터 기반 모델을 이용하면서도 규범적 분석이 가능하고, 설명적 정보를 제공할 수 있으며, 설계의 변경, 계획 수립을 지원할 수 있다. 만일 도 9에서 내부에 표시된 파라미터들이 모두 대상 시스템에서 실제로 얻어질 수 없는 데이터라면, 도 9의 시스템 모델(900)이 하나의 블랙박스로 취급될 것이므로, 이 경우에는 본 발명이 적용되지 않는다고 해석해야 할 것이다.

본 발명의 구조적 정보는 시스템 모델(900) 내부의 하위 모델들의 행위를 블랙 박스로 취급하여 각각의 하위 모델들이 학습하는 데에 필요한 관측 데이터에 기반하여 설정된다. 시스템 모델(900) 내부의 파라미터들의 관측 데이터가 없을 경우 학습이 불가능하고, 학습 데이터가 없는 경우 시스템 모델(900)의 내부 행위를 알아낼 수 없을 것이다.

수집된 데이터(x1', x2', x3', x4', x5', x6', y2', y3', w1', w2', z')는 입력 변수 값이든, 출력 변수 값이든, 또는 상태 변수 값이든 문제되지 않고, 단지 센서 등으로 실제로 측정 또는 관찰할 수 있는 값인지가 중요한 의미를 가진다.

도 10은 본 발명의 일 실시예에 따른 컴퓨팅 시스템(100)에 의하여 실행되는 시스템 모델(120)의 학습 방법을 도시하는 동작 흐름도이다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템(100)에서 실행되는 시스템 모델(120)의 동작 방법, 및 시스템 모델(120)의 학습 방법은, 복수 개의 하위 모델들(122a, 122b, 124)을 포함하는 시스템 모델(120), 및 적어도 하나 이상의 프로세서(110)를 포함하는 컴퓨팅 시스템(100)에서 실행된다.

본 발명의 일 실시예에 따른, 대상 시스템을 기술하는 시스템 모델(120)을 구현하고 동작시키는 컴퓨팅 시스템(100)에 의하여 실행되는 시스템 모델(120)의 학습 방법은, 통신 인터페이스(140)가 획득 데이터를 수신하거나 호출하는 단계(S1010); 적어도 하나 이상의 프로세서(110)가, 획득 데이터 중 제1 데이터(X1, X2, X3, X4)를 제1 하위 모델(122a, 122b)의 입력으로 제공하는 단계(S1020); 적어도 하나 이상의 프로세서(110)가, 구조적 정보에 기반하여 제1 하위 모델(122a, 122b)의 출력으로 정의되는 제2 데이터(Y1, Y2)를 제2 하위 모델(124)의 입력으로 제공하는 단계(S1040); 및 적어도 하나 이상의 프로세서(110)가, 제1 하위 모델(122a, 122b)이 제1 데이터(X1, X2, X3, X4) 및 제2 데이터(Y1, Y2) 간의 관계를 학습할 수 있도록 제1 하위 모델(122a, 122b)을 제어하거나(S1030), 제2 하위 모델(124)이 제2 데이터(Y1, Y2) 및 구조적 정보에 기반하여 제2 하위 모델(124)의 출력으로 정의되는 제3 데이터(Z) 간의 관계를 학습할 수 있도록 제2 하위 모델(124)을 제어하는 단계(S1050)를 포함한다. 제1 하위 모델(122a, 122b)이 이론 기반 모델로서 학습이 필요하지 않은 경우에는 단계(S1030)가 생략될 수 있고, 제2 하위 모델(124)이 이론 기반 모델로서 학습이 필요하지 않은 경우에는 단계(S1050)가 생략될 수 있다. 다만 제1 하위 모델(122a, 122b), 및 제2 하위 모델(1224) 중 적어도 어느 하나는 데이터 기반 모델이며, 이로 인하여 단계(S1030) 및 단계(S1050) 중 적어도 하나 이상은 프로세서(110)에 의하여 실행된다.

도 11은 본 발명의 일 실시예에 따른 컴퓨팅 시스템(100)에 의하여 실행되며 시스템 모델(120)이 대상 시스템을 추론하도록 시스템 모델(120)을 동작하는 방법을 도시하는 동작 흐름도이다.

본 발명의 일 실시예에 따른, 대상 시스템을 기술하는 시스템 모델(120)을 구현하고 동작시키는 컴퓨팅 시스템(100)에 의하여 실행되는 시스템 모델(120)의 동작 방법은, 통신 인터페이스(140)가 대상 시스템에 대한 새로운 입력 데이터를 수신하거나 호출하는 단계; 적어도 하나 이상의 프로세서(110)가, 새로운 입력 데이터 중 구조적 정보에 기반하여 제1 데이터(X1, X2, X3, X4)를 선택하여 제1 하위 모델(122a, 122b)의 입력으로 제공하는 단계; 적어도 하나 이상의 프로세서(110)가, 제1 하위 모델(122a, 122b)이 제1 데이터(X1, X2, X3, X4)에 기반하여 대상 시스템의 동작을 추론할 수 있도록 제1 하위 모델(122a, 122b)을 제어하는 단계; 적어도 하나 이상의 프로세서(110)가 제1 하위 모델(122a, 122b)의 출력 데이터를 제2 데이터(Y1, Y2)로서 구조적 정보에 기반하여 제2 하위 모델(124)의 입력으로 제공하는 단계; 적어도 하나 이상의 프로세서(110)가, 제2 하위 모델(124)이 제2 데이터(Y1, Y2)에 기반하여 대상 시스템의 동작을 추론할 수 있도록 제2 하위 모델(124)을 제어하는 단계; 및 적어도 하나 이상의 프로세서(110)가, 제2 하위 모델(124)의 출력 데이터에 기반하여 생성되거나 제2 하위 모델(124)의 출력 데이터인 제3 데이터(Z)를 시스템 모델(120)의 출력으로 사용자에게 제공하는 단계를 포함한다.

이때 본 발명의 시스템 모델(120)의 동작 방법은, 적어도 하나 이상의 프로세서(110)가, 대상 시스템에 관한 사용자 질의를 해석하여 컴퓨팅 시스템(100) 내에서 실행될 수 있는 인스트럭션 명령으로 변환하는 단계(도시되지 않음)를 더 포함할 수 있다.

본 발명에 따르면, 기존의 데이터 기반 모델에 비해서 다음의 장점을 가질 수 있다. 일반적으로 데이터 기반 모델은 정적인 데이터(static data)에 대해서는 매우 높은 정확도를 나타내지만, 동작에 영향을 미치는 변인이 다양한 동적 분석(dynamic analysis)에 적용하기는 쉽지 않은 것으로 알려지고 있다. 복잡한 실제 세계의 대상 시스템을 기술하는 시스템 모델은 대상 시스템의 내부 변수(상태 변수)들이 시간 경과에 따라 어떻게 변하는 지를 표현한다. 대상 시스템의 상태(속성) 변수(예를 들어, 벡터 형태로 표현할 수 있음) 값이 시간 경과에 대하여 일정한 값(상수)을 가지는 경우를 정적 시스템이라고 정의되며, 상태 변수 값이 시간 경과에 따라 달라지는 경우 동적 시스템이라고 정의된다.

일반적으로는 대상 시스템에서는 공간 정보는 대상 시스템의 속성 변수 값(위치 좌표)에 포함하여 기술될 수 있다. 예외적으로는 대상 시스템에서 공간 변이(space variant)에 따라 대상 시스템의 변화를 기술하고 시간 변이(time variant)를 대상 시스템의 속성 변수로 포함할 수도 있을 것이지만 설명의 편의를 위하여 본 명세서에서는 시간의 경과에 따라 대상 시스템을 기술하고 공간 정보는 대상 시스템의 속성 변수 값의 하나로 기술하는 경우를 주된 실시예로 설명한다.

대상 시스템을 분류하는 것처럼 데이터 도메인을 분류할 수 있다. 데이터 값이 시간에 무관한 경우를 정적 데이터라고 표현하고, 시간에 따라 달라지면 동적 데이터로 표현할 수 있다. 예를 들어, 정지된 이미지는 정적 데이터이고 시간에 따라 이미지 내의 객체가 움직이는 동영상은 동적 데이터로 분류할 수 있다. 오디오 데이터는 시간에 따라 변화하기는 하지만 시간축을 속성 정보로 취급하여 데이터를 표현하는 경우 다른 속성 정보가 변화하지 않는다면 정적 데이터로 분류될 수도 있다.

동적 시스템은 공간 변이(space variant), 시간 변이(time variant), 뿐만 아니라 확률적인(stochastic) 특징을 가지는 대상 시스템까지도 포함한다. 종래의 이론 기반/물리 기반 시스템 모델은 이론과 물리적 지식이 허용하는 한, 공간 변이, 시간 변이, 및 확률적인 특징을 가지는 동적 시스템에 대하여 기술할 수 있다. 하지만 종래의 데이터 기반 모델은 그 모델의 입력측 데이터와 출력측 데이터 간의 매핑 정보만을 포함하고 있으므로 정적 시스템을 기술하는 데에는 적합하지만 동적 시스템을 기술하지는 못하는 한계가 있었다. 이에 반해 본 발명의 시스템 모델은 내부의 하위 시스템 간의 구조적 정보에 기반하여, 데이터 도메인 내의 데이터 중 하위 시스템 각각에 의하여 매핑되는 데이터를 식별해 낼 수 있으므로, 복잡한 변인을 가지는 대상 시스템(동적 시스템)을 복수개의 하위 시스템 모델로 구분할 수 있고, 각각의 하위 시스템 모델 중 일부 또는 전부를 데이터 기반 모델로 구현할 수 있다. 즉, 본 발명의 시스템 모델은 공간 변이(space variant), 시간 변이(time variant), 뿐만 아니라 확률적인(stochastic) 특징을 가지는 대상 시스템에 대해서도 데이터 기반 모델들로 이루어진 시스템 모델을 수립할 수 있다.

기존의 데이터 기반 모델은 입력측 데이터와 출력측 데이터 간의 연관성에 대한 비교적 단순한 정보만을 추론할 수 있으며, 기존의 데이터 기반 모델을 동적 시스템을 분석하는 데에 이용할 경우 높은 신뢰성을 제공하기 어려웠지만, 본 발명의 시스템 모델은 모듈화된 하위 시스템 모델을 데이터 모델로 표현하고, 하위 시스템 모델(데이터 모델로 표현된) 간의 데이터 연결 관계는 구조적 정보에 기반하여 정의됨으로써, 동적 시스템에 대해서도 데이터 기반 모델을 이용하는 분석이 적용될 수 있는 플랫폼을 제공할 수 있다.

공간 변이의 예로는, 전체 시스템 모델을 셀(cell) 기반으로 표현할 때 상태 천이 함수가 전체 셀에 대해서 일괄적으로 표현되는 것이 아니고 개별 셀에 따라 다르게 표현될 수 있다. 따라서 위치에 따라 달라지는 지형의 특징이 셀 별로 반영될 수 있다. 시간 변이의 예로는, 시스템 모델이 기술하기 위하여 사용하는 상태 천이 함수가 오전, 오후 등의 시간에 따라 상이하도록 설정될 수 있다. 예를 들어 교통 흐름에서 오전, 오후, 주말, 휴일, 평일, 또한 특정한 이벤트가 있는 경우, 계절적 요인들을 반영하여 시스템 모델을 구현할 수 있다. 이 같은 변이가 데이터 기반 모델의 학습을 통하여 더욱 구체화되고 최적화될 수 있다.

확률적 특징의 예로는, 교통 시뮬레이션의 경우 운전자의 행위가 항상 결정되어 있는 것이 아니라 확률적으로 나타날 수 있는 점을 반영할 수 있다. 데이터 기반 모델에서는 획득 데이터만을 반영하여 학습하므로, 데이터 기반 모델이 학습한 조건 하에서는 특정한 확률로 사건이 발생할 수 있다. 이때 도로망의 상황이 변경되거나 재해 등이 발생한 경우, 순수한 데이터 기반 모델에서는 확률의 변경 등을 시뮬레이트할 수 없지만, 본 발명의 시스템 모델에서는 모델 내의 데이터 연결 관계, 및 모델 간의 구조적 정보에 기반하여 확률적 특성을 조정 또는 변경하여 시뮬레이트할 수 있다.

또한 본 발명에 따르면 대상 시스템의 비선형(non-linear) 특징들을 반영할 수 있다. 실제 세계의 많은 시스템들은 입출력 사이에 중첩의 정리가 성립이 되지 않고 비선형적인 특징을 가지기 때문에 상태천이 함수가 비선형 특징을 고려할 수 있다는 것은 큰 이점이 된다. 또한 실제 시스템으로부터 얻어지는 데이터를 통해 기상 조건 등 추가적인 상황 정보를 표현할 수 있어 실 세계를 모방한 디지털 트윈 모델과 같이 복잡한 디지털 모델의 구현에도 강인하다.

이하의 도 12 내지 도 15에 기술된 본 발명의 실시예는 본 발명이 적용될 수 있는 동적 시스템의 예시이다. 동적 시스템은 교통의 흐름, 특정한(넓은 또는 좁은) 지역에 대한 기상 조건의 변화, 화재/산불/홍수/지진 등 재난의 확산(재난에 의한 피해의 확산), 또는 의료 목적에 기반한 인체 내부의 파라미터의 변화(예를 들어, 심장, 혈관 등의 혈류의 변화) 등을 기술할 수 있으며, 이러한 동적 시스템은 종래의 일반적인 정적 시스템/정적 데이터(예를 들어, 이미지 데이터)를 분석하는 데이터 기반 모델에 의해서는 해석되기 어렵다.

이론 기반 모델은 적어도 부분적으로 물리적 법칙 또는 동작 규칙에 따른 연역적 추론에 의하여 대상 시스템의 현상을 기술하는 모델이다. 물리적 법칙 또는 동작 규칙으로 기술할 수 있는 부분은 연역적 추론에 의하여 실행하고, 필요에 따라서 부분적으로 기계학습을 적용하여 특정 노드의 상태를 업데이트할 수 있다.

도 12에서는 대상 시스템의 공간 변이(space variant)와 시간 변이(time variant)를 나타내기 위하여, 대상 시스템을 공간 분포에 따라 셀로 구분하여 각 셀의 상태 정보를 시간의 경과에 따라 갱신하는 모델이 예시적으로 도시된다. 셀(i, j)의 상태 변수 s(i, j)는 시간의 경과에 따라 갱신될 수 있다. 이때 시간 t를 포함하여 기술하면 상태 변수는 s(t, i, j)로 표현될 수 있다. 각 셀은 하나의 노드에 대응하도록 설정될 수 있다.

도 12는 대상 시스템을 셀 오토마타(Cell Automata) 기법에 의하여 기술하는 실시예로서, 셀 오토마타의 정의와 상태 갱신의 방식이 도시된다. 또한 셀 오토마타 모델은 데이터 기반 학습을 통하여 셀 각각의 상태 천이 함수를 학습할 수 있고, 학습된 상태 천이 함수가 셀 오토마타 모델에 제공될 수 있다.

대상 시스템에서 수집된 빅데이터를 이용하여 인공신경망 모델링과 같은 기계학습을 이용하여 각 셀의 상태천이(Transition Function)이 학습될 수 있다. 학습된 상태천이 함수들과 셀 오토마타 모델을 결합하여 도 1 내지 도 11에 기술한 시스템 모델(120)이 구현될 수 있다. 도 11 내지 도 11에 기술된 시스템 모델(120)이 적용되면 상호협력적인 접근 방법에 의하여 이론 기반 모델 또는 시뮬레이션 모델로서 시스템 모델(120)의 실증 문제가 해결되고, 구조적 정보에 기반한 시뮬레이션 모델링을 통한 시스템 모델(120)의 구현을 통해 대상 시스템의 구조 및 규칙 변경이 가능한 향상된 모델링이 가능하다.

셀 오토마타 모델은 수학, 물리학, 복잡계, 생물학, 미세구조 등의 모델링에서 다루는 이산 모델로, 규칙적인 격자 형태로 배열된 셀들에서 정의된다. 각 셀들은 유한한 수의 상태를 가질 수 있으며, 격자는 유한한 수의 차원으로 정의된다. 각 셀에 대하여, 이웃들이라 부르는 셀들은 그 셀에 대한 관계로 정의하는데, 예를 들어 이웃을 하나의 셀에 대해 모든 방향으로 한 칸씩 떨어져 있는 셀들이라고 정의하면 된다.

예를 들어 시간 t=0 일 때 각 셀의 상태를 지정해놓고 이를 초기 상태라고 한다. 새로운 세대(Generation)는 상태천이 함수에 의해 이전 세대로부터 만들어지는데, 종래의 상태천이 함수는 각 셀과 그 이웃들의 상태에 따라 그 셀의 새로운 상태가 지정되는, 즉 셀들의 행동 규칙을 정하는 수학적인 함수이다.

일반적으로 상기 행동 규칙은 각 셀에 대해 동일하고 시간에 따라 변하지 않으며 각 세대의 모든 셀에 동시에 적용된다. 상태천이는 s(t, i, j)로부터 s(t', i, j)로 천이되는 과정을 의미하며, 이때의 상태천이를 상태천이 함수 T로 나타낼 수 있다. 각 셀의 상태는 교통, 수질오염, 화재확산 등 문제의 종류에 따라 정의될 수 있다.

일반적으로 이상적인 상태천이 함수는 이웃 셀들의 상태를 반영하여 상태천이가 일어나지만, 도 12의 실시예에서는 이웃 셀들의 상태뿐만 아니라 지형정보, 외부 요인(날씨, 온도 등의 기상 조건 등)을 입력으로 받아 상태천이가 이루어질 수 있다. 즉, 이상적인 셀 오토마타 모델에서 지형의 특성을 반영하고 나아가 실시간 기상 정보까지 반영함으로써 셀의 다음 상태에 대한 더욱 정확한 예측이 이루어질 수 있다.

이때 본 발명의 실시예에 따른 상태천이 함수는 기존의 방식처럼 각 셀에 대해 동일하거나 시간에 따라 변하지 않는 것이 아니라 셀의 위치 변화와 시간의 변화에 따라 달라지며, 또한 상태천이 규칙이 결정적이지 않고 불확실성을 가질 수 있다. 상태천이 함수를 만약 기존처럼 도메인 지식을 이용하여 구할 경우에는 실증(validation)이 필요하지만, 빅 데이터의 기계학습을 통해 상태천이 함수를 구하면 실제 데이터에 기반하기 때문에 실증의 문제가 해결될 수 있다.

예를 들어 상태 변수 s(t, i, j)가 일정 시간 경과 후 업데이트되는 상태 변수 s(t', i, j)는 셀/노드(i, j)와 인접한 셀/노드들 (i, j-1), (i-1, j), (i+1, j), (i, j+1)의 상태 변수들인 s(t, i, j-1), s(t, i-1, j), s(t, i+1, j), s(t, i, j+1)과 상태 변수 s(t, i, j)로부터 영향받을 수 있다.

이때 일정 시간 경과 후 업데이트되는 상태 변수 s(t', i, j)와 상태 변수 s(t, i, j) 및 인접한 셀/노드들의 상태 변수들 s(t, i, j-1), s(t, i-1, j), s(t, i+1, j), s(t, i, j+1) 간의 관련성 파라미터를 도 12의 대상 시스템을 기술하는 이론 기반 모델의 파라미터로 설정할 수 있다. 한편 상태 변수 s(t', i, j)의 다음 상태인 s(t'', i, j)는 상태 변수 s(t', i, j) 및 인접한 셀/노드들의 상태 변수들 s(t', i, j-1), s(t', i-1, j), s(t', i+1, j), s(t', i, j+1)과 이론 기반 모델의 파라미터를 통하여 얻을 수 있을 것이다. 이때 상태 천이 함수는 앞서 설명한 것처럼 이론 기반 모델과 데이터 기반 모델의 결합에 의하여 모델링될 수 있다.

도 12에서 공간 상 직접적으로 인접한 셀/노드들만 다음 상태에 영향을 주는 것으로 예시하였으나, 이는 하나의 실시예일 뿐, 물리 법칙에 따라서는 공간 분포 및 시간의 경과에 따라 각 노드의 상태 변화에 영향을 주는 다양한 패턴이 존재할 수 있다. 이러한 패턴은 물리 법칙에 의하여 정의될 수도 있고, 기계 학습 등의 과정에 의하여 탐색될 수도 있다.

또한 도 12에서 공간 분포에 따라서 각 노드가 정의되고 시간의 경과에 따라 노드의 상태 정보가 업데이트되는 실시예가 도시되었으나, 본 발명의 사상은 이에 국한되지 않고 이론 기반 모델 내에서 각 노드는 공간 분포 및/또는 시간의 경과 중 적어도 하나 이상에 의하여 구분되고 정의될 수 있으며, 각 노드의 상태 변화는 공간 분포 및/또는 시간의 경과 중 적어도 하나 이상에 의하여 업데이트되고 추적될 수 있다.

도 12에서 공간 분포에 따라 각 노드가 나타내는 상태 정보의 예시로는, 산불의 확산, 건물 내 화재의 확산, 특정 지역의 침수 현황, 지상/지하 시설물(예를 들어, 지하철 역사, 터널 등)의 구역 별 침수 현황 등을 들 수 있다. 또한 사이버 시티와 같은 어플리케이션에서 도시의 전체 영역 또는 일부 영역에서 교통 흐름 현황, 또는 교통 체증 발생 여부 등에 대한 정보를 나타낼 수 있다. 이러한 상태 정보에 기반하여, 본 발명의 이론 기반 모델, 디지털 트윈 모델, 가상 센서 모델을 적용하여 지능화된 대피 경로 안내, 현 상황에서 최적화된 이동 경로의 안내 등 다양한 서비스 모델이 도출될 수 있다.

또한 산업 현장에서 이용될 경우 노드는 생산 라인 내의 각 생산 설비, 또는 생산 설비 내의 각 부품일 수 있으며, 상태 정보는 진동, 발열, 소음 등의 데이터일 수 있고, 이를 통하여 판정될 수 있는 정보는 생산 설비 내의 이상 발생 여부, 이상이 발생한 생산 설비 또는 그 부품의 위치와 이상의 정도 등의 정보를 포함할 수 있다.

본 발명의 이론 기반 모델을 의료 또는 생물학 분야에 적용할 경우, 질병의 발생, 확산, 또는 치유 과정에 대해서 분석하고 예측하기 위한 대상 시스템을 구성할 수 있다. 이때 이론 기반 모델이 모델링할 수 있는 대상 시스템은 세포, 혈관, 골격의 구성, 장기의 구성 또는 혈류 등을 포함할 수 있다. 예를 들어 혈관의 혈류를 시뮬레이션하는 경우, 대상 시스템이 포함하는 파라미터(기술하고자 하는 파라미터)는 분획혈류예비력(Fractional Flow Reserve, FFR), 벽면전단응력(Wall Stress Shear, WSS), 혈류 속도(Velocity), 혈관 압력(Wall stress) 중 적어도 하나 이상을 포함할 수 있다. 이때, 상기 분획혈류예비력(FFR)은 관상동맥협착부위의 원위부와 근위부 정상혈관의 최대 혈류량의 비율을 말한다.

대상 시스템을 디지털화하고 모델링하는 과정에서 정확도를 높이면서도 모델링의 효율을 높이기 위한 수단으로 다중 해상도 모델(multiple resolution model) 기법이 이용되고 있다. 다중 해상도 모델을 교통 흐름 시뮬레이션에 이용한 사례로 선행문헌 한국등록특허 KR 10-0969481 "교통흐름 시뮬레이션 장치 및 이를 포함하는 교통흐름 시뮬레이션 시스템", KR 10-1815511 "교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션 방법"을 들 수 있고, 다중 해상도 모델을 유체 파티클 시뮬레이션에 적용한 사례로 한국등록특허 KR 10-0872434 "다중 해상도의 유체 파티클 시뮬레이션 시스템 및 방법"을 들 수 있다. 다중 해상도 모델은 일반적으로 지역 별로 다른 해상도를 적용하여 시뮬레이션하는 것으로, 한정된 계산 자원을 이용한 고해상도 시뮬레이션을 달성하고자 할 때 이용된다. 교통 흐름 시뮬레이션에서는 흔히 미시적/마이크로(Microscopic) 모델, 중시적/메조(Mesoscopic) 모델, 거시적/매크로(Macroscopic) 모델로 구분되어 불리우며, 이들 간의 결합에 의한 하이브리드 해상도 모델이 이용되기도 한다.

최근의 사물인터넷(IoT) 등 기술의 발전은 다양한 데이터를 수집하기 용이한 인프라를 제공하는데, 다중 해상도 모델을 이용한 시뮬레이션 기술에서도 데이터 기반 모델과 물리 기반 모델의 효과적인 결합을 이용하여 IoT 인프라에 의하여 얻어지는 빅데이터를 효과적으로 활용하여 모델링 및 시뮬레이션(M&S)의 성능을 향상시키고자 하는 요구가 대두되고 있다.

종래기술에서는 다중 해상도 모델링 기법을 공간 지역 별로 다른 해상도를 적용하는 개념으로만 취급하고 있다. 그런데 인접한 공간 지역끼리는 완전히 분리되는 객체가 아니고, 서로 밀접한 연관성을 가지고 상호 간 영향을 미친다. 따라서 인접한 공간 지역 별로 다른 해상도를 적용하는 경우, 인접한 공간 지역 간의 상이한 해상도를 어떻게 변환해야 하는지에 대한 문제가 제기된다. 특히 최근 사물 인터넷(IoT) 및 센서 기술의 발전으로 공간 지역 별로 정밀한 데이터가 수집되는데, 이러한 데이터 간의 연관성을 고려하지 않고서는 대상 시스템에 대한 정확한 모델링 및 시뮬레이션이 이루어지기 어렵다.

본 발명의 일 실시예는 종래기술의 문제점을 해결하기 위하여 도출된 발명으로서, 인접한 공간 지역 간의 해상도 변환을 셀 오토마타(Cell Automata) 기법을 이용하여 기술하며, 이 과정에서 인접한 셀에 의한 영향으로 인한 셀 각각의 서로 다른 해상도 모델 간의 천이(transition)를 데이터 기반 모델을 적용하여 해결하거나, 데이터 기반 모델과 이론 기반 모델의 하이브리드 모델을 적용하여 해결할 수 있다.

이때 설명의 편의상 다중 해상도(multi-resolution)라고 기재하였으나, 해상도 뿐 아니라 충실도(fidelity)를 달리 하는 경우까지도 균등 범위에 포함할 수 있다. 해상도는 SISO/SIW에 따르면 "The degree of detail and precision used in the representation of real world aspects in a model or simulation" 으로 정의되고, 충실도는 "The degree to which the representation within a simulation is similar to a real world feature, or condition in a measurable or perceivable manner" 로 정의된다.

도 13을 참조하면 저해상도 모델(1310)과 고해상도 모델(1320)이 도시된다. 저해상도 모델(1310)은 지역으로 구분된 지역 저해상도 모델들(1311, 1312, 1313, 1314, 1315, 1316)을 포함할 수 있고, 고해상도 모델(1320)은 지역으로 구분된 지역 고해상도 모델들(1321, 1322, 1323, 1324, 1325, 1326)을 포함할 수 있다.

교통 시뮬레이션에서 요구되는 목적에 따라 거시적, 중시적 또는 미시적 해상도의 시뮬레이션 모델이 생성될 수 있다. 시뮬레이션을 통해 얻고자 하는 성능 또는 효과 지수(척도)에 따라 모델이 포함하는 객체의 종류나 기술하는 레벨도 달라질 수 있다. 교통 관련 문제에 대한 다양한 분석 요구에 적절히 대응하기 위해서는 구성요소 객체들을 기술하는 단위 지역 모델들을 유연하게 합성하여 목적에 맞는 시뮬레이션 시스템을 구성할 수 있다. 이때 주어지는 조건에 따라 각 지역 별로 적용되는 해상도를 결정하는 기술은 공지 기술이며, 한국등록특허 KR 10-1815511 등에 의하여 알려져 있다. 낮은 해상도만으로도 충분한 경우에 높은 해상도 모델을 적용하는 것은 메모리 및 컴퓨팅 파워의 낭비로 이어질 수 있기 때문에 효율적인 오퍼레이션을 위하여 지역 별로 적절한 해상도를 결정할 필요가 있다.

설명의 편의상, 지역 저해상도 모델(1311)로부터 시뮬레이션이 시작된다고 가정한다. 이때 제1 지역과 제2 지역에 대해서는 제1, 제2 지역 저해상도 모델(1311, 1312)이 적용될 수 있다. 이후 종래 기술들과 공지된 다양한 기술들에 의하여 제3 지역에 대해서는 제3 지역 고해상도 모델(1323)이 적용되도록 결정될 수 있다. 이때 이미 진행된 시뮬레이션은 제1, 제2 지역 저해상도 모델(1311, 1312)로부터 제3 지역 저해상도 모델(1313)을 활성화할 수 있는데, 이때의 데이터셋으로부터 제3 지역에 대한 제3 지역 고해상도 모델(1323)을 획득할 필요가 있다. 이 과정은 해상도를 세분화하는 과정이므로 Disaggregation으로 불릴 수 있다.

앞서 언급한 종래 기술들과 공지된 다양한 기술들에 의하여 제4 지역에 대해서도 제4 지역 고해상도 모델(1324)이 적용되도록 결정될 수 있다. 이후, 제5 지역에 대해서는 제5 지역 저해상도 모델(1315)이 적용되도록 결정될 수 있다. 이때, 이미 진행된 시뮬레이션은 제3, 제4 지역 고해상도 모델(1323, 1324)로부터 제5 지역에 대한 제5 지역 고해상도 모델(1325)을 활성화할 수 있는데, 이때의 데이터셋으로부터 제5 지역에 대한 제5 지역 저해상도 모델(1315)을 획득할 필요가 있다. 이 과정은 해상도를 낮추는 과정이므로 Aggregation으로 불릴 수 있다.

이후 제6 지역 저해상도 모델(1316)을 제5 지역 저해상도 모델(1315)로부터 활성화함으로써 시뮬레이션은 종료될 수 있다.

도 13에서 각 지역 별로 지역 저해상도 모델(1311, 1312, 1313, 1314, 1315, 1316) 및 지역 고해상도 모델(1321,1322, 1323, 1324, 1325, 1326)이 미리 규정되는 경우의 실시예가 도시되었으나, 본 발명의 사상은 이러한 실시예에 국한되지 않으며, 각 지역 별로 필요한 해상도의 모델이 적응적으로 생성될 수도 있음은 당업자에게 자명한 사실로 이해될 것이다.

저해상도 모델로서 중시적/Mesoscopic 모델을 적용하고, 고해상도 모델로서 미시적/Microscopic 모델을 적용한 사례를 가정한다. 예를 들어 교차로 주변의 도로 지역에서는 미시적 모델을 적용하고, 그 외의 도로 지역에서는 중시적 모델을 적용할 수 있다.

이때 시뮬레이션 흐름에 따라서 교차로에서 거리가 먼 지역에서는 중시적 모델이 적용되고, 이때 동일한 방향으로 진행하는 도로 전체의 차량 수가 고려될 수 있다. 집합 N의 요소인 n이 해당 지역에서의 데이터로 획득될 수 있다. 교차로 주변 지역으로 진입하면 미시적 모델이 적용된다. 이때에는 동일한 방향으로 진행하는 차선 별 차량 수가 고려될 수 있다. 4개의 차선이 있는 경우를 가정하면 차선 별로 집합 N1, N2, N3, N4의 요소인 n1, n2, n3, n4가 해당 지역에서의 데이터로 획득될 수 있다. 시뮬레이션 흐름에 따라 Disaggregation은 데이터 n에 기반하여 데이터 n1, n2, n3, n4을 획득하는 과정을 의미하고, Aggregation은 데이터 n1, n2, n3, n4에 기반하여 데이터 n을 획득하는 과정을 의미할 수 있다.

이 때의 데이터 n1, n2, n3, n4는 동일한 방향으로 진행하는 각 차선의 차량 수, 속도에 대응할 수 있고, 데이터 n은 동일한 방향으로 진행하는 모든 차선의 차량 수, 평균 속도일 수 있다. 각 지역은 예를 들어 10미터, 20미터, 또는 100미터와 같이 단위 길이마다 메쉬 또는 세그먼트화될 수 있으며 그 구간 내에서 차량의 속도, 평균 속도, 최고/최저 속도 등이 데이터 및 파라미터로 주어질 수 있다.

Aggregation의 경우에는 차량의 수를 예로 들면 n = n1 + n2 + n3 + n4에 의하여 주어질 수 있으므로 필요한 연산이 복잡하지 않으며, 고해상도 모델에서 주어지는 데이터 셋이 N1 x N2 x N3 x N4 인데 비해 저해상도 모델에서 주어지는 데이터 셋은 N으로 단순화되므로 연산에 어려움은 없다. 이때 데이터 셋 또는 파라미터가 단순화되면서 정보 손실이 발생하지만, 시뮬레이션 목적 달성에 큰 문제가 없으면 손실된 정보는 문제되지 않는다고 가정한다.

Disaggregation에서는 단순화된 데이터 및 파라미터 셋 N으로부터 N1 x N2 x N3 x N4 를 얻어야 하므로 주어지는 저해상도 데이터 및 파라미터 셋 N 이외에 추가 정보가 필요하며, 이를 위하여 다양한 상황 정보가 추가 정보로서 주어질 수 있다. 예를 들어 위치(차선의 진행 방향(직진/좌회전/우회전)에 따라 구분될 수 있음), 시간대(출퇴근 시간대, 일반 시간대, 심야), 날짜(평일, 주말, 휴일, 연휴), 계절, 날씨(맑음, 눈/비, 태풍, 황사, 미세먼지), 규제 정보(교통 통제 또는 사고 발생)에 관한 정보가 주어질 수 있다.

도 15를 참조하면, 기술하고자 하는 목표(1510)로서 Disaggregation 을 위한 데이터 천이(Data Transition)가 정의되고, 목표(1510)를 규명하기 위한 천이 모델(1520)이 제안된다. 천이 모델(1520)은 빅데이터 셋인 {n, (n1, n2, n3, n4) }에 기반한 학습에 의하여 Disaggregation을 위한 데이터 천이 과정을 모델링할 수 있다.

이때 천이 모델(1520)은 하나의 단일 블랙 박스인 데이터 기반 모델로서 구현될 수도 있고, 앞서 설명된 도 1 내지 도 11의 실시예에 따른 데이터 기반 모델과 이론 기반 모델이 결합된, 하이브리드 시스템 모델에 의하여 구현될 수도 있다. 예를 들어 셀로 구분된 지역에 유입되는 차량과 유출되는 차량은 동일해야 하는 보존 법칙 등, 당연하게 적용되는 물리적 법칙이나 동작 규칙이 존재한다. 이러한 물리적 법칙이나 동작 규칙에 의하여 천이 모델(1520)의 최소한의 구조적 정보가 정의될 수 있고, 천이 모델(1520)은 구조적 정보에 기반하여 내부적으로 하위 모델들을 가질 수 있으며, 하위 모델들은 데이터 기반 모델로 구현될 수 있다. 천이 모델(1520)에 구조적 정보에 기반한 복합적인 데이터 기반 모델을 적용할 경우, 설명 가능한 예측 가능성을 제공하면서, 이론 기반 모델이 반드시 거쳐야 하는 실측 데이터 검증이 이미 이루어진 것과 같은 효과가 있어 모델링 및 시뮬레이션의 신뢰도를 높일 수 있다.

도 14 및 도 15에서 천이(Transition)가 데이터 집합에 관하여 이루어지는 실시예가 도시되었으나, 본 발명의 사상은 이에 국한되지 않는다. 예를 들어 데이터 집합 및 데이터 집합으로부터 얻어지는 다양한 파라미터로서, 교통 흐름을 기술할 수 있는 파라미터들을 모두 포함하는 지역 별 모델이 지역 별로 주어지는 해상도에 기반하여 정의될 수 있다. 도 14 및 도 15에 예시된 데이터 기반 모델, 및 하이브리드 모델을 적용하여 지역 별 정의되는 지역 별 해상도 기반 모델 간의 천이를 천이 모델로서 모델링할 수 있다.

도 12 내지 도 15를 함께 참조하면, 도 13의 제3 지역에 대해서는 제3 지역 고해상도 모델(1323)이 적용되기를 원하지만, 시뮬레이션 흐름 상 인접한 제2 지역의 제2 지역 저해상도 모델(1312)에 도 12의 셀 오토마타 기법이 적용되면 제3 지역 저해상도 모델(1313)이 쉽게 활성화될 수 있다. 이 때 제3 지역 저해상도 모델(1313)에 기반하여 제3 지역 고해상도 모델(1323)을 획득하는 과정은 도 14 및 도 15에 도시된 천이 모델(1520)을 이용하여 설명될 수 있다. 제3 지역에 낮은 제1 해상도 기반 모델인 제3 지역 저해상도 모델(1313)이 얻어지고, 제3 지역 저해상도 모델(1313)에 기반하여 높은 제2 해상도 기반 모델인 제3 지역 고해상도 모델(1323)을 획득하고자 할 때, 도 14 및 도 15의 천이 모델(1520)이 적용될 수 있다.

본 발명은 과학기술정보통신부 및 연구개발특구진흥재단의 기술이전사업화사업의 일환으로 수행한 연구로부터 도출된 것이다 [과제관리번호: 2019-DD-RD-0056-01-101, 과제명: 머신러닝 내장형 디지털트윈 모델링 시뮬레이션 플랫폼 개발].

본 발명은 중소벤처기업부 및 제주지역사업평가단의 지역기업 혁신성장 지원(R&D) 사업의 일환으로 수행한 연구로부터 도출된 것이다. [과제관리번호: P0010175, 과제명: BAS 기반 디지털 트윈 플랫폼 핵심 SW 및 응용 모델 개발].

본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 시스템 모델 및/또는 천이 모델의 동작 방법, 및 학습 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 본 발명의 실시예와 도면에 소개된 길이, 높이, 크기, 폭 등은 이해를 돕기 위해 과장된 것일 수 있다.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위 뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims

대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템에 있어서,

상기 컴퓨팅 시스템은

상기 대상 시스템으로부터 얻어지는 획득 데이터를 수신하거나 호출할 수 있는 통신 인터페이스;

복수 개의 하위 모델들을 포함하는 시스템 모델; 및

적어도 하나 이상의 프로세서;를 포함하고,

상기 복수 개의 하위 모델들 각각은 상기 획득 데이터 중 일부를 입력받고 나머지 중 적어도 일부를 출력으로 추론 또는 예측할 수 있는 모델이고,

상기 시스템 모델 내에서 상기 복수 개의 하위 모델들 각각의 입력 데이터, 및 출력 데이터는 상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 상기 대상 시스템의 구조적 정보에 기반하여 정의되고,

상기 구조적 정보는 상기 복수 개의 하위 모델들 중 제1 하위 모델과 제2 하위 모델 간의 데이터 연결 관계에 대한 정보를 포함하고, 상기 데이터 연결 관계는 상기 제1 하위 모델의 출력 데이터가 상기 제2 하위 모델의 입력 데이터로 이용될 수 있는 지 여부에 대한 정보를 포함하고,

상기 적어도 하나 이상의 프로세서는

상기 대상 시스템에 대한 새로운 입력 데이터 중 상기 구조적 정보에 기반하여 상기 제1 데이터를 선택하여 상기 제1 하위 모델의 입력으로 제공하고, 상기 제1 하위 모델의 출력 데이터를 제2 데이터로서 상기 구조적 정보에 기반하여 상기 제2 하위 모델의 입력으로 제공하고, 상기 제2 하위 모델의 출력 데이터에 기반하여 생성되거나 상기 제2 하위 모델의 출력 데이터인 제3 데이터를 상기 시스템 모델의 출력으로 사용자에게 제공하고,

상기 제1 하위 모델이 상기 제1 데이터에 기반하여 상기 대상 시스템의 동작을 추론할 수 있도록 상기 제1 하위 모델을 제어하고, 상기 제2 하위 모델이 상기 제2 데이터에 기반하여 상기 대상 시스템의 동작을 추론할 수 있도록 상기 제2 하위 모델을 제어하는 컴퓨팅 시스템.
제1항에 있어서,

상기 복수 개의 하위 모델들 각각은 상기 대상 시스템과 관련한 획득 가능한 도메인 지식, 경험, 및 이론에 기반하여 정의되며 연역적인 추론이 가능한 이론 기반 모델 또는 상기 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 어느 하나이거나, 상기 이론 기반 모델 및 상기 데이터 기반 모델이 상호 보완되도록 결합된 컴퓨팅 시스템.
제1항에 있어서,

상기 구조적 정보는

상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 이론 기반 원시 모델을 구성하는 상기 대상 시스템 내의 파라미터들 간의 데이터 연결 관계, 및 상기 파라미터들 각각이 상기 획득 데이터에 포함될 수 있는 지 여부에 기반하여 정의되는 컴퓨팅 시스템.
제1항에 있어서,

상기 구조적 정보는

상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 이론 기반 원시 모델을 구성하는 상기 대상 시스템 내의 파라미터들 중 상기 복수 개의 하위 모델들 각각의 입력 데이터 또는 출력 데이터로 선택될 수 있는 관련 파라미터에 대한 정보를 포함하고, 상기 관련 파라미터 각각이 상기 이론 기반 원시 모델에 기반하여 상기 복수 개의 하위 모델들 각각의 입력 데이터 및 출력 데이터로 정의되는 하위 모델 데이터 구조 정보를 포함하는 컴퓨팅 시스템.
제1항에 있어서,

상기 컴퓨팅 시스템은

상기 대상 시스템에 관한 사용자 질의를 수신하고 상기 적어도 하나 이상의 프로세서로 전달하는 사용자 인터페이스;

를 더 포함하고,

상기 적어도 하나 이상의 프로세서는

상기 사용자 질의를 해석하여 상기 컴퓨팅 시스템 내에서 실행될 수 있는 인스트럭션 명령으로 변환하는 컴퓨팅 시스템.
제5항에 있어서,

상기 적어도 하나 이상의 프로세서는

상기 사용자 질의가 상기 제1 데이터, 상기 제2 데이터, 및 상기 제3 데이터 중 적어도 둘 이상의 연관성에 대한 질의를 포함하는 경우, 상기 구조적 정보 및 상기 데이터 연결 관계에 기반하여 상기 제1 데이터, 상기 제2 데이터, 및 상기 제3 데이터 중 적어도 둘 이상의 연관성에 대응하는 상기 대상 시스템의 조건 변수, 제어 변수, 또는 설계 변수 중 적어도 하나 이상을 탐색하여 대응 탐색 결과를 생성하고,

상기 대응 탐색 결과에 기반하여 상기 사용자 질의에 대한 응답을 생성하고, 상기 사용자 질의에 대한 응답을 상기 사용자 인터페이스로 전달하는 컴퓨팅 시스템.
제5항에 있어서,

상기 사용자 질의가, 상기 제1 데이터가 상기 획득 데이터에 의하여 커버되는 획득 데이터 도메인을 벗어나는 경우에 대한 상기 대상 시스템의 동작에 대한 예측을 포함하는 경우, 상기 적어도 하나 이상의 프로세서는 상기 제1 하위 모델에 상기 제1 데이터를 입력하여 상기 제1 하위 모델이 상기 제1 데이터에 응답하여 상기 대상 시스템의 동작을 예측하도록 제어하고,

상기 적어도 하나 이상의 프로세서는 상기 제1 하위 모델로서 연역적인 추론이 가능한 이론 기반 모델, 또는 상기 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 하나를 적용하거나, 또는 상기 이론 기반 모델 및 상기 데이터 기반 모델을 상호 보완하도록 결합하여 상기 제1 하위 모델에 적용하는 컴퓨팅 시스템.
제5항에 있어서,

상기 사용자 질의가, 상기 제3 데이터의 분포가 조정되는 조건을 포함하는 경우, 상기 적어도 하나 이상의 프로세서는

상기 구조적 정보 및 상기 시스템 모델에 기반하여 상기 획득 데이터 중에서 상기 제1 데이터에 적용 가능한 데이터의 제1 분포, 상기 제1 분포와 관련되는 제2 데이터의 제2 분포, 및 상기 제2 분포와 관련되는 상기 제3 데이터의 제3 분포를 생성하고,

상기 제1 분포, 상기 제2 분포, 상기 제3 분포, 및 상기 구조적 정보에 기반하여 상기 사용자 질의에 응답하여 상기 제1 분포의 범위의 제한 조건을 제공하거나, 상기 대상 시스템의 조건 변수, 제어 변수, 또는 설계 변수 중 적어도 하나 이상에 대한 변경 가능성을 상기 사용자에게 제공하는 컴퓨팅 시스템.
대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템에 있어서,

상기 컴퓨팅 시스템은

상기 대상 시스템으로부터 얻어지는 획득 데이터를 수신하거나 호출할 수 있는 통신 인터페이스;

복수 개의 하위 모델들을 포함하는 시스템 모델; 및

적어도 하나 이상의 프로세서;를 포함하고,

상기 복수 개의 하위 모델들 각각은 상기 획득 데이터 중 일부를 입력받고 나머지 중 적어도 일부를 출력으로 추론 또는 예측할 수 있는 모델이고,

상기 시스템 모델 내에서 상기 복수 개의 하위 모델들 각각의 입력 데이터, 및 출력 데이터는 상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 상기 대상 시스템의 구조적 정보에 기반하여 정의되고,

상기 구조적 정보는 상기 복수 개의 하위 모델들 중 제1 하위 모델과 제2 하위 모델 간의 데이터 연결 관계에 대한 정보를 포함하고, 상기 데이터 연결 관계는 상기 제1 하위 모델의 출력 데이터가 상기 제2 하위 모델의 입력 데이터로 이용될 수 있는 지 여부에 대한 정보를 포함하고,

상기 적어도 하나 이상의 프로세서는

상기 획득 데이터 중 제1 데이터를 상기 제1 하위 모델의 입력으로 제공하고, 상기 구조적 정보에 기반하여 상기 제1 하위 모델의 출력으로 정의되는 제2 데이터를 상기 제2 하위 모델의 입력으로 제공하고,

상기 제1 하위 모델이 상기 제1 데이터 및 상기 제2 데이터 간의 관계를 학습할 수 있도록 상기 제1 하위 모델을 제어하거나, 상기 제2 하위 모델이 상기 제2 데이터 및 상기 구조적 정보에 기반하여 상기 제2 하위 모델의 출력으로 정의되는 제3 데이터 간의 관계를 학습할 수 있도록 상기 제2 하위 모델을 제어하는 컴퓨팅 시스템.
제9항에 있어서,

상기 복수 개의 하위 모델들 각각은 상기 대상 시스템과 관련한 획득 가능한 도메인 지식, 경험, 및 이론에 기반하여 정의되며 연역적인 추론이 가능한 이론 기반 모델 또는 상기 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 어느 하나이거나, 상기 이론 기반 모델 및 상기 데이터 기반 모델이 상호 보완되도록 결합된 컴퓨팅 시스템.
제9항에 있어서,

상기 복수 개의 하위 모델들 각각은 상기 대상 시스템과 관련한 획득 가능한 도메인 지식, 경험, 및 이론에 기반하여 정의되며 연역적인 추론이 가능한 이론 기반 모델 또는 상기 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 어느 하나이거나, 상기 이론 기반 모델 및 상기 데이터 기반 모델이 상호 보완되도록 결합된 컴퓨팅 시스템.
제11항에 있어서,

상기 컴퓨팅 시스템은

상기 대상 시스템에 관한 사용자 질의를 수신하고 상기 적어도 하나 이상의 프로세서로 전달하는 사용자 인터페이스;

를 더 포함하고,

상기 적어도 하나 이상의 프로세서가, 상기 사용자 질의를 해석하여 상기 컴퓨팅 시스템 내에서 실행될 수 있는 인스트럭션 명령으로 변환하는 단계;

를 더 포함하는 시스템 모델의 동작 방법.
제12항에 있어서,

상기 사용자 질의가 상기 제1 데이터, 상기 제2 데이터, 및 상기 제3 데이터 중 적어도 둘 이상의 연관성에 대한 질의를 포함하는 경우, 상기 적어도 하나 이상의 프로세서가, 상기 구조적 정보 및 상기 데이터 연결 관계에 기반하여 상기 제1 데이터, 상기 제2 데이터, 및 상기 제3 데이터 중 적어도 둘 이상의 연관성에 대응하는 상기 대상 시스템의 조건 변수, 제어 변수, 또는 설계 변수 중 적어도 하나 이상을 탐색하여 대응 탐색 결과를 생성하는 단계;

상기 적어도 하나 이상의 프로세서가, 상기 대응 탐색 결과에 기반하여 상기 사용자 질의에 대한 응답을 생성하는 단계; 및

상기 적어도 하나 이상의 프로세서가, 상기 사용자 질의에 대한 응답을 상기 사용자 인터페이스로 전달하는 단계;

를 더 포함하는 시스템 모델의 동작 방법.
제12항에 있어서,

상기 사용자 질의가, 상기 제1 데이터가 상기 획득 데이터에 의하여 커버되는 획득 데이터 도메인을 벗어나는 경우에 대한 상기 대상 시스템의 동작에 대한 예측을 포함하는 경우, 상기 적어도 하나 이상의 프로세서가 상기 제1 하위 모델에 상기 제1 데이터를 입력하여 상기 제1 하위 모델이 상기 제1 데이터에 응답하여 상기 대상 시스템의 동작을 예측하도록 제어하는 단계; 및

상기 적어도 하나 이상의 프로세서가 상기 제1 하위 모델로서 연역적인 추론이 가능한 이론 기반 모델, 또는 상기 획득 데이터에 기반하여 학습되는 데이터 기반 모델 중 하나를 적용하거나, 또는 상기 이론 기반 모델 및 상기 데이터 기반 모델을 상호 보완하도록 결합하여 상기 제1 하위 모델에 적용하는 단계;

를 더 포함하는 시스템 모델의 동작 방법.
제12항에 있어서,

상기 사용자 질의가, 상기 제3 데이터의 분포가 조정되는 조건을 포함하는 경우, 상기 적어도 하나 이상의 프로세서가 상기 구조적 정보 및 상기 시스템 모델에 기반하여 상기 획득 데이터 중에서 상기 제1 데이터에 적용 가능한 데이터의 제1 분포, 상기 제1 분포와 관련되는 제2 데이터의 제2 분포, 및 상기 제2 분포와 관련되는 상기 제3 데이터의 제3 분포를 생성하는 단계; 및

상기 적어도 하나 이상의 프로세서가 상기 제1 분포, 상기 제2 분포, 상기 제3 분포, 및 상기 구조적 정보에 기반하여 상기 사용자 질의에 응답하여 상기 제1 분포의 범위의 제한 조건을 제공하거나, 상기 대상 시스템의 조건 변수, 제어 변수, 또는 설계 변수 중 적어도 하나 이상에 대한 변경 가능성을 상기 사용자에게 제공하는 단계;

를 더 포함하는 시스템 모델의 동작 방법.
대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템에 의하여 실행되는 시스템 모델의 학습 방법에 있어서,

상기 컴퓨팅 시스템은

상기 대상 시스템으로부터 얻어지는 획득 데이터를 수신하거나 호출할 수 있는 통신 인터페이스;

복수 개의 하위 모델들을 포함하는 시스템 모델; 및

적어도 하나 이상의 프로세서;를 포함하고,

상기 복수 개의 하위 모델들 각각은 상기 획득 데이터 중 일부를 입력받고 나머지 중 적어도 일부를 출력으로 추론 또는 예측할 수 있는 모델이고,

상기 시스템 모델 내에서 상기 복수 개의 하위 모델들 각각의 입력 데이터, 및 출력 데이터는 상기 대상 시스템에 대한 지식을 이용하여 획득할 수 있는 상기 대상 시스템의 구조적 정보에 기반하여 정의되고,

상기 구조적 정보는 상기 복수 개의 하위 모델들 중 제1 하위 모델과 제2 하위 모델 간의 데이터 연결 관계에 대한 정보를 포함하고, 상기 데이터 연결 관계는 상기 제1 하위 모델의 출력 데이터가 상기 제2 하위 모델의 입력 데이터로 이용될 수 있는 지 여부에 대한 정보를 포함하고,

상기 통신 인터페이스가 상기 획득 데이터를 수신하거나 호출하는 단계;

상기 적어도 하나 이상의 프로세서가, 상기 획득 데이터 중 제1 데이터를 상기 제1 하위 모델의 입력으로 제공하는 단계;

상기 적어도 하나 이상의 프로세서가, 상기 구조적 정보에 기반하여 상기 제1 하위 모델의 출력으로 정의되는 제2 데이터를 상기 제2 하위 모델의 입력으로 제공하는 단계; 및

상기 적어도 하나 이상의 프로세서가, 상기 제1 하위 모델이 상기 제1 데이터 및 상기 제2 데이터 간의 관계를 학습할 수 있도록 상기 제1 하위 모델을 제어하거나, 상기 제2 하위 모델이 상기 제2 데이터 및 상기 구조적 정보에 기반하여 상기 제2 하위 모델의 출력으로 정의되는 제3 데이터 간의 관계를 학습할 수 있도록 상기 제2 하위 모델을 제어하는 단계;

를 포함하는 시스템 모델의 학습 방법.