민감도(Sensitivity)와 거동 분석
민감도의 기초 개념
민감도는 주어진 문제에서 입력값의 작은 변화가 출력결과에 어떤 영향을 미치는지를 정량적으로 평가하는 척도다. 일반적으로 수치해석에서 다루는 문제는 입력 데이터나 중간 계산 과정에서 발생하는 오차가 최종 결과에 누적되거나 증폭될 수 있기 때문에, 이 문제의 민감도를 자세히 이해하는 것이 매우 중요하다. 민감도가 높다는 것은 입력의 작은 변화가 결과에 큰 변동을 야기함을 의미한다. 반대로 민감도가 낮다면 상대적으로 입력 변화에 둔감하게 반응한다.
민감도의 개념은 여러 수치해석적 해법에서 공통적으로 적용되는데, 예를 들어 선형연립방정식의 해를 구하는 과정, 근사해석이나 다항근사, 미분방정식의 초기값에 따른 해의 거동, 최적화 문제에서의 목적함수 값 변화 등 다양한 맥락에서 살펴볼 수 있다. 어떤 문제의 민감도가 지나치게 높으면, 그 문제에 적용되는 알고리즘이 안정적이라 하더라도 입력 데이터를 더 정밀하게 관리하거나, 문제 자체의 조건을 분석해 재구성해야 할 수도 있다.
절대 민감도와 상대 민감도
민감도는 크게 절대 민감도와 상대 민감도로 나눌 수 있다. 절대 민감도는 단순히 출력의 변화량을 입력 변화량으로 나눈 값이며, 상대 민감도는 출력의 상대적 변화량을 입력의 상대적 변화량으로 나눈 값이다. 어떤 물리적 혹은 수학적 현상을 표현하는 모델이 있을 때 함수 $f(\mathbf{x})$가 입력 벡터 $\mathbf{x}$에 대해 정의된다고 하자. 간단함을 위해 $\mathbf{x}$를 스칼라 $x$ 하나만으로 이루어진 경우를 가정하면, 절대 민감도는 다음과 같은 형태가 될 수 있다.
이 값은 $x$가 극미하게 변할 때 $f(x)$가 어떻게 즉각적으로 반응하는지를 보여준다. 그러나 $x$의 크기에 따라 이 절대 민감도만으로는 실제 오차 영향도가 어느 정도인지 가늠하기 어려울 수 있다. 예를 들어 $x$가 매우 큰 값이라면 동일한 절대 변화량이라도 상대적인 변화 비율은 작아질 수 있기 때문이다.
상대 민감도는 다음과 같이 볼 수 있다.
이는 입력 $x$ 대비 출력 $f(x)$의 비율로써, 실제로 함수가 얼마나 민감하게 동작하는지를 측정한다. 다른 형태로 표현하면
가 된다. $f(x) \approx k x^n$ 같은 단순 거듭제곱형 함수라도 이 상대 민감도는 $n$에 비례하여 달라질 수 있음을 알 수 있다.
민감도와 조건수(Condition Number)
민감도 분석은 선형대수학에서의 조건수와 밀접한 관련이 있다. 어떤 선형연산자(혹은 행렬) $\mathbf{A}$가 주어졌을 때, 그 시스템이 민감하다는 것은 $\mathbf{A}$의 조건수가 클 때 발생한다. 예를 들어 선형연립방정식 $\mathbf{A}\mathbf{x} = \mathbf{b}$에서, $\mathbf{A}$가 비정칙 혹은 $\det(\mathbf{A})$에 근접해 있거나 매우 작다면, 작은 입력 오차 $\Delta \mathbf{b}$가 해 $\mathbf{x}$에 큰 변화를 일으킬 수 있다.
조건수는 다음과 같이 정의된다. $| \cdot |$를 어떤 적절한 노름이라 하자. $\mathbf{A}$의 조건수를 $\kappa(\mathbf{A})$라고 할 때,
이 식의 의미는 $\mathbf{A}$가 역행렬을 가질 때, 행렬의 역연산이 얼마나 ‘큰’ 연산량을 야기하는지, 즉 오차를 얼마나 증폭시킬 수 있는지 보여준다. $\mathbf{A}$가 특별히 대칭행렬이면서 양의 정부호인 경우에는 2-노름 기준으로 쉽게 계산할 수 있는데, 최대고윳값과 최소고윳값의 비율이 된다. 이때 조건수가 매우 큰 경우, 민감도가 높아 오차가 크게 증폭될 가능성이 있다.
민감도 분석을 통한 알고리즘 평가
어떤 알고리즘을 설계하거나 적용하기 전에, 해당 알고리즘이 실제로 문제의 민감도에 어떻게 대응하는지를 파악해야 한다. 알고리즘이 아무리 안정적이라도, 문제 자체가 극도로 민감하면 결과가 불안정하게 바뀌기 쉽다. 반대로 문제 자체는 민감도가 낮은 편이라 하더라도 알고리즘이 좋지 못하면 불필요한 연산이 많아지고 오차 누적이 발생할 수 있다.
민감도 분석은 크게 다음 두 관점에서 진행된다. 첫째로, 수학적 모델의 구조를 분석하여 부분별 편미분이나 조건수를 통해 이론적 민감도를 해석한다. 둘째로, 실제 계산 과정에서 반복적 혹은 점진적 변화에 따른 함수값의 거동을 관찰하여 실질적인 오차 전파 과정을 파악한다.
따라서 민감도와 오차 거동을 동시에 살펴봄으로써, 문제와 알고리즘 모두에 대한 이해를 높이고, 오차 전파를 줄이는 유의미한 대책을 마련할 수 있다. 예를 들어, 어떤 방정식을 뉴턴 방법으로 풀 때, 초기값 근처에서 자칫 작은 차이에도 불구하고 탐색 방향이 극단적으로 바뀔 가능성이 있다면, 문제의 민감도나 잔차함수의 기울기가 매우 컸을 것이다. 이를 미리 예측하고 적절히 초기값을 선정하거나, 감쇠법(line search) 등의 보조 기법을 적용함으로써 안정적인 해 도출을 기대할 수 있다.
민감도와 거동 분석의 실제 적용
민감도는 실제 응용 문제에서 더 구체적으로 접근할 수도 있다. 예를 들어 항공역학 문제에서 양력과 항력 계수는 비행체의 속도, 공격각, 공기 밀도 등 다양한 물리적 파라미터에 민감한 거동을 보인다. 컴퓨터로 이를 시뮬레이션할 때, 각 변수에 대해 민감도 혹은 편미분 값을 계산해두면, 어떤 입력 파라미터가 해석 결과에 핵심적으로 영향을 주는지를 우선 파악하여 적절히 모델을 단순화하거나 추가 정밀도를 배분할 수 있다.
비선형 문제에서는 일반적으로 야코비 행렬과 헤시안 행렬을 통해 민감도를 해석한다. 예를 들어 $\mathbf{x} \in \mathbb{R}^n$에 대하여 벡터 값 함수를 고려한다면, 그 야코비 행렬이 문제 해석의 핵심이 된다. 야코비 행렬의 특정 스펙트럼 값을 확인함으로써 민감도가 극도로 큰 지점들을 찾을 수도 있다.
특히 다차원 최적화 문제에서의 라그랑주 승수법이나 켤레구배법 같은 기법들은, 계산 도중 민감도 정보를 내포하는 미분 정보를 활용하여 수렴 속도와 정확도를 동시에 개선한다. 이때 민감도가 높은 축에 대해서는 좀 더 세밀한 해석이 필요하고, 민감도가 낮은 축은 근사나 단순화가 가능하다.
전역 민감도(Global Sensitivity)와 국소 민감도(Local Sensitivity)
수치해석에서 가장 일반적으로 다루는 민감도는 국소 민감도다. 입력값의 극미한 변화가 출력에 미치는 편미분 형태의 영향력만을 고려하기 때문이다. 예를 들어 어떤 다변수 함수 $f(\mathbf{x})$가 있을 때, 특정 지점 $\mathbf{x}_0$ 주변에서 입력값 $\mathbf{x}$가 변할 때 민감도는 야코비 행렬 혹은 편미분을 통해 쉽게 측정할 수 있다. 그러나 이러한 국소 민감도는 특정 지점 근처에서의 동적 거동만 설명할 뿐, 전체 입력공간에서 어느 영역이 특히 결과에 민감한지를 파악하기 어려울 수 있다.
실제 응용에서는 입력이 다차원에 걸쳐 분포되어 있을 수 있고, 어떤 변수들은 특정 구간에서만 민감도가 높고, 다른 구간에서는 민감도가 낮을 수도 있다. 이 때문에 복잡계 해석이나 대규모 시뮬레이션에서는 전역 민감도 개념을 도입한다. 전역 민감도는 입력 범위 전체에서 결과의 민감도를 살피는 기법으로, 일반적으로 확률론적 분포 혹은 몬테카를로 시뮬레이션과 결합하여 각 변수의 분산에 대한 기여도 또는 상호 작용 효과 등을 분석한다.
예를 들어 전역 민감도 지표로 흔히 활용되는 Sobol 지수는 함수 출력을 분해하여 변수 간의 상호작용을 포함한 각 항의 상대적 비중을 측정한다. 이 경우 어떤 특정 변수가 전체 결과 변화에 큰 비중을 갖는다면, 해당 변수에 대한 계수 추정이나 측정 정확도를 우선적으로 높이는 것이 오차 전파를 줄이는 중요한 전략이 된다.
민감도 해석에 따른 문제 설계와 스케일링
민감도 분석 결과에 따라 문제를 재설계하거나 입력 변수를 적절히 스케일링하는 기법도 중요하다. 어떤 변수 $x_i$가 너무 큰 단위를 갖고 있어 작은 변화에도 출력이 극도로 민감해진다면, 적절한 스케일링을 통해 그 범위를 조정하여 안정적인 수치 계산을 꾀할 수 있다. 문제에서 변수가 너무 많은 차수를 가질 경우에도, 주성분분석(PCA) 혹은 비선형 차원 축소 기법을 사용하여 중요한 축만 남기는 식으로 민감도가 큰 축을 부각하는 방법을 쓸 수 있다.
특히 선형연립방정식 $\mathbf{A}\mathbf{x} = \mathbf{b}$에 대해 행렬 $\mathbf{A}$가 스케일링을 거치지 않은 상태라면, 일부 열(column) 혹은 행(row)의 크기가 매우 달라서 연산 과정에서 수적 불안정이 발생할 가능성이 높아질 수 있다. 이런 경우에는 대각 행렬 $\mathbf{D}$를 미리 곱해 $\mathbf{D}\mathbf{A}\mathbf{D}'$ 형태로 만들고, 동시에 $\mathbf{D}\mathbf{b}$와 같은 식으로 변환하면 보다 균등한 크기의 요소를 다룰 수 있다. 이는 결국 조건수를 낮추는 역할을 할 수 있으며, 민감도도 전반적으로 완화되는 효과를 기대할 수 있다.
민감도와 비선형 동역학에서의 거동
비선형 동역학 계를 다룰 때, 민감도는 한 점에 대한 미분 계수를 넘어 리아푸노프 지수(Lyapunov exponent) 같은 개념으로 확장된다. 혼돈(chaos)을 동반하는 계에서 초기값에 대한 민감도는 극단적으로 크며, 비슷한 초기 상태라도 시간이 흐름에 따라 지수적으로 다른 궤적을 형성한다. 이를 수치해석 측면에서 보면, 초기값 오차가 너무 크게 증폭되는 계의 경우 사실상 장기 예측이 불가능해진다.
민감도가 높은 카오스계를 해석할 때, 수치적으로는 고정소수점 연산이나 유효자리수가 제한되어 있다는 점이 결정적 제약이 될 수 있다. 불가피하게 발생하는 마이크로 수준의 반올림 오차가 지수적으로 증폭되어 결과가 한계를 가진다. 이를 완화하기 위해 이중정밀도의 고차원 부동소수점 연산 혹은 분수계산을 도입하기도 하지만, 문제 자체가 지니는 민감도(혼돈적 성질)가 크다면 본질적 예측 한계를 벗어나기 어렵다.
예측구간 설정과 민감도
수치 시뮬레이션을 활용해 동역학 계나 미분방정식의 해를 구할 때, 시간구간이 길어질수록 오차가 누적되며 민감도가 높은 계일수록 이 누적 효과가 커진다. 이런 문제에서 민감도 분석은 어느 시점까지 예측의 신뢰도를 유지할 수 있는지, 즉 예측구간 예측가능시간(horizon)을 설정하는 근거가 된다. 민감도가 극도로 높아지는 시점에서는 입력이나 초기조건을 다시 측정하거나, 계산 중간에 측정값을 재보정하는 필터링 기법(예: 칼만 필터)을 적용하기도 한다.
예를 들어 로켓의 발사 궤적을 시뮬레이션할 때, 대기밀도나 바람의 세기 등 측정값이 조금만 달라져도 오래 후의 궤적이 크게 변화될 수 있다면, 이를 사전에 감안해 시뮬레이션과 실제 측정 데이터를 결합해야 한다. 반면 어떤 구간에서 민감도가 상대적으로 낮다는 사실이 파악되면, 그 시간대에는 연속적인 미세 측정 대신 간헐적 측정만으로도 충분히 정확한 예측이 가능하다.
민감도 해석을 위한 시각적 도구
복잡한 문제에서 민감도를 시각적으로 해석하기 위해 다양한 도표와 컬러맵을 사용한다. 다차원 입력공간을 가질 때, 2차원이나 3차원으로 투영한 뒤, 해당 영역에서 민감도가 높거나 낮은 부분을 색으로 구분해 가시화하기도 한다.
다음 예시는 mermaid를 사용한 간단한 흐름도의 예시로, 민감도 분석 과정의 큰 흐름을 나타내고 있다.
이런 식으로 전체 해석 단계에서 민감도 분석이 어디에 위치하고, 어떤 결과를 바탕으로 모델을 재설계하는 과정을 직관적으로 표현할 수 있다.
민감도 해석과 안정성(Stability)
민감도와 밀접한 개념 중 하나가 바로 안정성이다. 일반적으로 어떤 알고리즘이 안정적이라 함은, 계산 과정에서 발생하는 수치적 오차 혹은 입력 데이터의 미소한 교란이 결과에 크게 축적·폭발하지 않고 비교적 온건하게 반영되는 특성을 말한다. 문제 자체가 고도로 민감하면, 아무리 안정적인 알고리즘을 적용하더라도 결과가 크게 흔들릴 수 있다. 반면 문제가 민감도가 낮은 편이면, 다소간 불안정한 알고리즘이라도 크게 문제가 없을 수 있다.
이와 같이 문제의 ‘조건(condtion)’과 알고리즘의 ‘안정성(stability)’은 서로 구분되는 개념이다. 문제의 조건이 좋지 않은(즉 민감도가 높고, 조건수가 큰) 경우에는 알고리즘의 안정성을 제아무리 높게 설계해도 오차 전파를 완전히 방어하기가 어렵다. 한편 문제 조건이 양호해(민감도가 낮고, 조건수가 작음)도, 알고리즘이 불안정하면 잦은 반올림과 연산 누적오차 등으로 인해 큰 편차가 누적될 수 있다. 따라서 민감도 분석은 문제의 조건을 이해하고, 이를 고려한 알고리즘의 안정성 평가까지 확장될 수 있어야 한다.
민감도와 웰포즈드성(Well-posedness)
수치해석에서 자주 언급하는 개념 중 하나가 Hadamard가 정의한 웰포즈드성이다. 일반적으로 웰포즈드(Well-posed) 문제라 함은, 해가 존재하고 유일하며 입력값이 연속적으로 변할 때 해도 연속적으로 변하는 문제를 일컫는다. 그러나 이 정의만으로는 실제 계산에서의 민감도 문제를 완전히 반영하지 못한다.
웰포즈드 문제라도, 입력값 변화에 대해 해가 급격하게 변한다면(즉 민감도가 지나치게 큰 경우) 수치적 계산은 어려워질 수 있다. 다시 말해 ‘연속성’을 만족한다고 해서 오차 전파가 작다고 보장되지 않는다. 그래서 좀 더 구체적으로는, 문제의 해가 입력 변화에 대해 ‘상대적으로’ 작게 변해야만 ‘수치적으로도’ 잘 정의된 문제라고 볼 수 있다. 이 점을 계량하기 위해 도입된 것이 바로 조건수다. 조건수가 큰 문제는 해 자체는 존재·유일·연속일지라도, 실제 계산에 있어서는 오차 증폭 위험이 항상 도사리고 있다고 해석할 수 있다.
민감도와 정규화(Regularization) 기법
민감도가 지나치게 큰 문제를 다룰 때 종종 사용하는 방법 중 하나가 정규화(regularization)다. 예를 들어 역문제(inverse problem)에서 측정값이 약간만 변해도 해가 크게 달라지는 상황이 발생하는데, 이때 $\mathbf{A}\mathbf{x} = \mathbf{b}$ 형태로 표현되는 선형 역문제가 고질적으로 ill-posed(비정상적)일 수 있다.
이를 완화하기 위해 다음과 같은 Tikhonov 정규화 기법을 적용할 수 있다.
여기서 $\lambda$는 정규화 파라미터로, 너무 작으면 원래 문제의 민감도가 여전히 남아 있어 오차가 크게 전파될 수 있고, 너무 크면 문제의 해 자체가 크게 왜곡될 수 있다. 적절한 $\lambda$를 선택함으로써 문제의 해를 ‘평활’하게 만들어 ill-posed 문제에 대한 민감도를 낮출 수 있다.
민감도 수치 예제
민감도 해석 방법을 간단한 예제를 통해 살펴볼 수도 있다. 아래에서는 Python을 사용해 이변수 스칼라 함수의 편미분을 간단하게 계산해 국소 민감도를 측정하는 예시를 들어보자.
위 코드에서 함수 $f(x, y) = x^2 + 3y^3$에 대해 $(x_0, y_0) = (2,1)$ 근방에서의 국소 민감도를 확인할 수 있다. 실제로 편미분을 해보면 다음과 같다.
$(2,1)$에서 이 값을 대입하면 각각 $4$, $9$가 나온다. 수치적으로도 유사한 결과를 얻는다.
이 국소 민감도는 $(x_0, y_0)$ 주변의 작은 변화만을 전제로 한 값이다. 만약 $x$나 $y$의 범위가 훨씬 커지거나, 함수를 더 복잡한 형태로 바꾼다면 민감도 분포가 전혀 달라질 수 있다. 이럴 때는 전역 민감도를 고려해야 한다.
민감도를 활용한 적응형 메쉬(Adaptive Mesh)
민감도 정보를 활용해 적응형 메쉬를 구성하는 방법도 있다. 예를 들어 미분방정식의 수치해석에서 특정 구간의 민감도가 높으면, 그 구간에 촘촘한 메쉬를 배치해 해석의 정밀도를 높이고, 민감도가 낮은 구간에서는 메쉬를 다소 넓게 배치해 계산량을 줄일 수 있다. 이런 기법은 유한요소법(FEM), 유한차분법(FDM), 유한체적법(FVM) 등의 다양한 해석법에 적용 가능하며, 실제로 복잡한 PDE를 풀 때 효율적으로 사용된다.
민감도가 높은 지점에서는 오차가 쉽게 증폭되므로, 해당 지점 근방의 격자를 세밀하게 하여 국소 계산의 정밀도를 높이고, 나머지 영역은 상대적으로 점을 듬성듬성 배치해도 된다. 이렇게 하면 전체 계산 비용을 줄이면서도 민감도 큰 영역에서의 해석 오차를 효과적으로 억제할 수 있다.
비선형 문제에서의 민감도
비선형 문제에서는 일반적으로 입력과 출력 사이의 관계가 복잡하므로, 단순한 편미분만으로 전체 민감도를 완전히 파악하기 어렵다. 예컨대 함수 $f(\mathbf{x})$가 스칼라가 아니라 벡터를 출력하거나, 심지어 $f$가 시간이 변수로 들어가는 동적 시스템의 해를 반환하는 경우라면, 민감도 분석이 훨씬 복잡해진다. 이때는 국소 야코비(Jacobian)뿐 아니라 더 높은 차수의 미분, 혹은 직접적인 수치 시뮬레이션 기반의 민감도 측정 기법을 도입한다.
비선형 동적 시스템이라면 다음과 같은 일반형을 가정할 수 있다.
여기서 $\mathbf{p}$는 여러 매개변수(parameter)로 구성된 벡터다. 초기조건 $\mathbf{x}(0)$나 $\mathbf{p}$가 약간만 바뀌어도, $t$가 커짐에 따라 해 $\mathbf{x}(t)$가 크게 달라질 수 있다. 이에 대한 민감도를 해석하기 위해서는, 다음과 같은 민감도 방정식을 별도로 풀어야 한다.
즉, 매개변수 $\mathbf{p}$ 각각에 대한 편민감도를 ODE 형태로 풀어나가는 것이다. 이 방식은 ‘선형화된’ 민감도를 추적하므로, 국소적 관점에서 민감도를 얻는 데에 유효하다. 그러나 경로 전반의 거동과 카오스성(chaos)이 내재된 시스템이라면, 민감도가 시시각으로 커져서 해석이 어려워지거나, 단순 편민감도만으로는 혼돈적 거동을 설명하기 어려울 수 있다.
민감도와 파라메터 추정
파라메터 추정 문제에서도 민감도는 중요한 위치를 차지한다. 예컨대 실험 데이터를 바탕으로 모델 $\mathbf{A}\mathbf{x} \approx \mathbf{b}$의 계수나, 미분방정식의 반응계수(reaction rate), 물성치(property) 등을 역으로 추정할 때, 작은 측정 오차가 추정 결과에 얼마나 민감하게 반영되는지를 확인해야 한다.
또한 민감도가 큰 파라메터는 데이터 적합(data fitting) 과정에서 불안정성을 유발할 가능성이 높으므로, 별도의 정규화나 사전 정보(prior information) 주입을 통해 추정 오차를 억제하기도 한다. 반면 민감도가 낮은 파라메터는 해석 모델에 큰 영향을 주지 않으므로, 적정 수준의 추정 불확실성을 용인하는 방식으로 접근할 수도 있다.
특히 비선형 최소제곱(Nonlinear Least Squares) 문제에서의 야코비 행렬은 민감도와 밀접히 연관된다. Gauss-Newton 기법이나 Levenberg-Marquardt 기법 등을 사용할 때, 야코비 행렬의 각 요소들은 실제로 모델 출력이 파라메터 변동에 얼마나 민감하게 반응하는지의 정보를 담는다. 이 야코비 행렬이 잘 정의되어 있지 않다면(즉, 열 간의 상관관계가 심하거나, 특정 열이 매우 큰 값이거나), 문제의 추정 과정에서 오차가 크게 증폭될 수 있다.
민감도와 강인(로버스트) 설계
민감도 분석은 엔지니어링 분야에서 강인 설계(robust design) 기법을 적용할 때도 핵심 지표로 작용한다. 목표 기능을 달성함과 동시에, 제조 오차나 환경 변동 등에 민감하게 흔들리지 않는 제품을 설계하려면, 각 변수별로 어떤 범위의 교란이 실제 제품 성능에 얼마나 영향을 주는지를 파악해야 한다.
대표적으로 자동차 서스펜션, 항공기 날개, 전자회로 설계 등에 민감도 분석이 쓰인다. 기계 구조물의 경우, 응력 분포나 진동 특성이 특정 파라메터(두께, 형상, 재료특성 등)에 대단히 민감하다면, 이 민감도를 낮추도록 보강재를 배치하거나 형상을 변경한다.
수식적으로는 $y = f(\mathbf{x})$라는 성능지표 $y$가 파라메터 벡터 $\mathbf{x}$에 의해 결정된다고 할 때, $\mathbf{x}$가 통계적으로 분포를 가진다고 가정하면 출력 $y$의 분산을 최소화하는 방안을 찾는 문제로 접근할 수 있다. 만일 $f(\mathbf{x})$가 근사적으로 선형이라면, 다음과 같은 식으로 분산을 추정해 볼 수 있다.
여기서 $\mathbf{\Sigma_x}$는 입력 파라메터 $\mathbf{x}$의 공분산 행렬이고, $\nabla_{\mathbf{x}} f(\mathbf{x}_0)$는 $\mathbf{x}_0$ 근방에서의 그래디언트(민감도 벡터)에 해당한다. 이 값이 작아지도록 $\mathbf{\Sigma_x}$를 조정하거나, 혹은 $f$의 민감도를 줄이는 구조·모델 변경이 곧 강인 설계를 의미한다.
민감도와 에러 바운드
민감도 분석은 결과 해석의 에러 바운드(error bound)를 설정할 때도 직접적으로 적용된다. 어떤 알고리즘으로 해 $\hat{\mathbf{x}}$를 구했다고 할 때, 실제 해 $\mathbf{x}^*$가 존재한다면,
가 어느 정도 이하로 유지된다는 것을 보장하기 위해, 입력 데이터 오차와 민감도의 곱 형태로 상계를 제공할 수 있다. 예컨대 선형연립방정식 $\mathbf{A}\mathbf{x} = \mathbf{b}$에서, $\mathbf{A}$의 조건수가 $\kappa(\mathbf{A})$라면,
와 같은 형태로 오차가 증폭되는 범위를 추론할 수 있다. 이는 국소 민감도 개념을 행렬의 조건수로 확장한 대표적 예다.
비선형 문제에서도 마찬가지로, 야코비 혹은 고차 미분의 노름(norm)을 사용해 유사한 형태의 에러 바운드를 설정한다. 이는 문제별로 다양한 형태가 가능하지만, 기본적으로 민감도가 큰 방향성(gradient나 Hessian의 고유벡터 방향)에서는 오차가 더 심각하게 부풀어날 수 있다는 점을 시사한다.
불확실성(Uncertainty)과 민감도
현실에서 다루는 대부분의 시스템은 측정 불확실성(aleatory uncertainty)과 모델 불확실성(epistemic uncertainty)을 동시에 지니고 있다. 측정 불확실성은 본질적으로 시스템 외부에서 측정 장비 및 환경적 변동으로 인해 발생하며, 이를 통해 얻은 입력값 자체가 확률적 분포를 지닌다고 볼 수 있다. 반면 모델 불확실성은 시스템을 단순화하거나 가정된 파라메터, 혹은 해석 과정의 이상화로 인해 나타난다.
민감도 분석은 이 두 종류의 불확실성이 출력에 어떤 영향을 미치는지 구분해서 살펴볼 수 있도록 도와준다. 특히 전역 민감도 기법과 결합하면, 각 변수나 각 불확실성 요소가 결과의 분산이나 평균 편차 등에 얼마나 기여하는지 정량적으로 파악할 수 있다.
예컨대, 간단한 예로 $y = a x + b$와 같은 1차 모델에서 $a$, $b$, $x$ 모두가 확률분포를 가진다고 가정하면, $y$의 분산(Var$(y)$)은
(단, $a, b, x$가 서로 독립이라 가정) 이 식을 통해 볼 때, 어떤 항이 $y$에 가장 큰 영향을 주는지를 확인해볼 수 있다. 예를 들어 $\mathrm{Var}(a)$가 지나치게 크다면, 기울기 $a$에 대한 불확실성을 줄이기 위해 실험 데이터를 더 모으거나, 관련 파라메터를 보다 정밀하게 추정해야 할 것이다. 이는 전역 민감도 분석을 매우 단순한 형태로 표현한 예에 불과하지만, 실제로는 훨씬 복잡한 모델에 대해서도 유사한 관점이 적용된다.
민감도와 몬테카를로(Monte Carlo) 시뮬레이션
전역 민감도 분석에서 자주 활용되는 대표적인 방법 중 하나가 몬테카를로(Monte Carlo) 시뮬레이션이다. 입력 변수가 각각의 확률분포를 가지고 있을 때, 무작위 표본을 여러 번 추출하여 모델에 넣고, 결과 분산이나 상관관계를 통계적으로 관찰함으로써 민감도를 추정한다.
이 방법은 직관적이면서도 확장성이 높다. 특히 선형 모델이 아닐지라도, 단순히 “표본 생성 → 모델 해석” 과정을 반복해 출력 지표의 변화를 관측하기만 하면 되므로 이론적으로는 매우 일반적인 방식이다. 다만 시뮬레이션 횟수가 많아야 통계적 수렴이 이루어지기 때문에, 계산비용이 큰 문제(예: 고차원 다중물리 해석)에서는 샘플링 기법을 고도화해야 한다(예: 라틴하이퍼큐브 샘플링, 적응형 중요도 샘플링 등).
몬테카를로 기법을 통해 전역 민감도 지표 예인 Sobol 지수나 FAST(Fourier Amplitude Sensitivity Test) 지표를 산출하는 과정은 크게 다음과 같은 흐름을 가진다.
• 입력 변수를 적절히 표본화한다. • 각 표본에 대해 모델을 실행해 출력 값을 계산한다. • 출력 분산에 대한 각 입력 변수 및 상호작용 항의 기여도를 분해한다.
이때 전역 민감도 지표는 개별 변수 변화가 전체 출력 변화의 분산에 기여하는 분율을 반영하므로, 어떤 변수가 결과를 지배적으로 좌우하는지 식별하는 데 큰 도움이 된다.
민감도와 메타모델(Surrogate Model)
고차원 문제나 계산이 매우 비싼 다물리적 시뮬레이션 문제에서는, 직접 몬테카를로 표본을 많이 돌리기 어렵다. 이럴 때 메타모델(대리모델)을 활용하면 민감도 분석의 비용을 크게 절감할 수 있다.
예를 들어 복잡한 PDE 해석 대신에, 비교적 간단한 근사 모델(예: 다항 근사, 가우시안 프로세스, 신경망, 라디얼 기저함수 등을 사용한 서로게이트 모델)을 미리 구축하고, 이 메타모델을 활용해 빠르게 다량의 샘플을 생성·평가한다. 메타모델 구성 과정은 다음과 같은 단계로 이뤄진다.
• 문제의 입력-출력 데이터(실험 혹은 고정밀 시뮬레이션)를 일부 확보한다. • 이를 바탕으로 근사 모델의 파라메터(예: 가우시안 프로세스의 커널 파라메터)를 학습한다. • 학습된 근사 모델이 원래의 복잡한 모델을 잘 대변한다고 판단되면, 이후 표본을 빠르게 평가한다.
이렇게 해서 얻은 전역 민감도 지표나 편미분 값들은 근사적이긴 하지만, 계산비용을 극적으로 줄이면서도 충분히 의미 있는 평가 결과를 제공한다.
민감도와 이상점(Outlier) 처리
민감도 분석 과정에서, 일부 입력 표본이 극단적인 값을 가지는 경우(이상점이나 특이치)는 민감도 추정에 왜곡을 일으킬 수 있다. 예를 들어 입력 공간의 한 구석에서 모델 출력이 비정상적으로 큰 값이 나오는 경우, 분산 기여도가 과장되어 “이 변수는 전체 결과에 절대적으로 중요한 요소”라는 잘못된 판단을 할 수도 있다.
이상점 처리는 모델 자체의 특성이나 실제 물리현상과도 관련이 있기 때문에, 단순히 통계적으로 제거하는 것이 옳은지, 혹은 그 현상을 존중하고 설계에 반영해야 하는지 심도 있는 해석이 필요하다. 엔지니어링 해석에서는, 극단값이 실제로 일어날 확률이 얼마나 되고, 그로 인한 시스템 리스크가 충분히 고려되어야 하는지 함께 검토한다.
민감도와 베이지안(Bayesian) 접근
불확실성 해석과 결합된 민감도 분석은 베이지안 프레임워크로도 확장될 수 있다. 베이지안 추론에서는 사전분포(prior)와 가능도(likelihood)를 통해 사후분포(posterior)를 얻어내는데, 이 과정에서 민감도 분석은 “사후분포가 어느 변수를 중심으로 좁아지거나 넓어지는지”를 살피는 데 활용된다.
예를 들어, 비선형 파라메터 추정 문제에서 사전분포를 설정한 뒤 MCMC(Markov Chain Monte Carlo) 기법으로 사후분포 표본을 얻으면, 그 표본 분포를 다시 한번 전역 민감도 분석 기법(Sobol 지수 등)에 적용할 수 있다. 이를 통해 어떤 파라메터가 사후분포상 결과에 크게 영향을 미치고 있는지를 식별하고, 측정 혹은 추가 정보 확보의 우선순위를 정하는 데 활용할 수 있다.
민감도와 적응형 실험계획법(Adaptive Design of Experiments)
실험계획법(Design of Experiments, DoE)과 민감도 분석을 연계하면, 제한된 자원으로 최대한 효과적인 실험 혹은 시뮬레이션을 수행할 수 있다. 예를 들어, 전역 민감도 분석을 통해 특정 입력 변수가 결과에 큰 영향을 주는 것으로 확인되면, 그 변수를 더 촘촘하게 표본화하고, 반대로 영향이 미미한 변수는 비교적 거칠게 표본화할 수 있다.
이러한 적응형 실험계획은 실험 혹은 시뮬레이션 예산이 한정된 상황에서 매우 유용하다. 초기 단계에는 전체 변수를 균등 분포로 표본화하고, 간략히 민감도 분석을 수행한 뒤, 민감도가 높은 변수만 집중 탐색하는 식으로 접근할 수 있다. 이를 통해 궁극적으로 모델의 정확한 추정을 달성하면서도, 불필요한 시뮬레이션 횟수를 줄이는 최적화된 접근이 가능하다.
정리
지금까지 민감도를 여러 측면에서 살펴보았다. 문제와 알고리즘, 불확실성과 측정 오차, 전역적·국소적 관점, 비선형성과 동역학, 메타모델 등 다양한 맥락에서 민감도가 핵심 지표로 작용한다.
불확실성(Uncertainty)과 민감도
현실에서 다루는 대부분의 시스템은 측정 불확실성(aleatory uncertainty)과 모델 불확실성(epistemic uncertainty)을 동시에 지니고 있다. 측정 불확실성은 본질적으로 시스템 외부에서 측정 장비와 환경적 변동에 의해 발생하며, 입력값 자체가 확률적으로 분포한다고 볼 수 있다. 반면 모델 불확실성은 시스템을 단순화하거나 이상적 가정을 적용함으로써 실제 현상을 완전히 반영하지 못해 생긴다.
민감도 분석은 이 두 종류의 불확실성이 출력에 미치는 영향을 정량화하는 데 핵심 역할을 한다. 측정 불확실성을 다룰 때는, 입력값을 난수로 모델링하고 몬테카를로 시뮬레이션(Monte Carlo Simulation, MCS) 등을 통해 입력분포의 다양한 표본을 생성해 결과 분포를 분석함으로써, 민감도가 큰 변수들이 결과의 분산(또는 표준편차)에 얼마나 크게 기여하는지를 살핀다. 모델 불확실성이 포함되면, 실제로는 $f(\mathbf{x}, \mathbf{p})$ 형태의 매개변수화된 모델을 사용해 부분적으로 알려지지 않은 계수를 확률변수나 구간변수 등으로 처리해야 할 수도 있다. 이 경우, 민감도가 단순히 입력값 변화뿐 아니라, 모델 내부 파라메터의 추정오차에 대한 영향도까지 포괄하는 개념으로 확장된다.
전역 민감도를 확률론적으로 정의할 때는, 출력변수의 분산을 어떻게 각 입력변수가 분산 기여도로 나누어 갖는지를 살펴볼 수 있다. 소볼 분해(Sobol decomposition)나 분산기여도(Variance-based decomposition), 부분상관계수(Partial Correlation), 차수감소(Poddecomp, Polynomial chaos expansion 등) 기법 등이 대표적이며, 이를 통해 어느 입력 파라메터가 결과의 불확실성을 주도하는지 파악한다.
예를 들어 소볼 지수(Sobol indices)를 살펴보면, 입력 벡터 $\mathbf{x} = (x_1, x_2, \dots, x_n)$에 대해 출력 $Y = f(\mathbf{x})$의 분산을 다음과 같이 표현한다는 가정에서 출발한다.
여기서 $V_i$는 단일 변수 $x_i$에 따른 기여분, $V_{ij}$는 $x_i$와 $x_j$ 간 상호작용에 의한 기여분 등을 의미한다. 첫 번째 차수 지표(First-order index) $S_i$는 결과 분산 중에서 해당 변수 $x_i$만 독립적으로 변화시켜 얻을 수 있는 분산 비율로 정의된다. 두 번째 차수 지표(Second-order index) $S_{ij}$는 $x_i$와 $x_j$ 간 상호작용 효과의 비율이다. 이처럼 각 지표를 확인하면, 문제 전체에서 어느 방향의 교란이 결과에 특히 민감한지, 그리고 어떤 변수들이 상호작용하여 민감도를 높이는지 알 수 있다.
모델 불확실성의 경우에는, 예를 들어 $x_i$가 실제 관측값이고, $\mathbf{p}$가 이론 모델 내 잠재 파라메터라고 한다면, $f(\mathbf{x}, \mathbf{p})$의 일부 형식 자체가 근사적이거나 누락된 항이 있을 수 있다. 이때 민감도 분석은 $x_i$ 측정오차가 아닌 $\mathbf{p}$의 추정오차가 결과에 얼마나 큰 변화를 주는지까지 함께 고려해야 하므로, 단일한 민감도 함숫값이 아니라 여러 차원의 해석이 필요하다.
특히 공학 문제에서 실험 데이터를 통해 파라메터를 역추정할 때, 측정값과 모델의 불일치가 큰 구간이 생기면, 그 영역에서 민감도가 급등할 수 있다. 이처럼 측정 불확실성 외에도 모델링 불완전성으로 인해 발생하는 민감도를 밝혀내기 위해, 불확실성 전파(uncertainty propagation)와 민감도 해석을 동시에 수행하기도 한다.
확률론적 민감도 기법과 확장
몬테카를로 시뮬레이션(MCS)은 가장 직관적이면서도 범용적인 불확실성·민감도 해석 기법이다. 입력변수가 복잡한 분포를 가질 때도, 충분히 많은 표본을 발생시켜 결과 통계를 얻을 수 있다. 표본 크기가 클수록 해석 신뢰도는 올라가지만 계산 부담 또한 커지므로, 분산 감소 기법(variance reduction)이나 샘플링 고도화 방식(예: 라틴하이퍼큐브 샘플링, Latin Hypercube Sampling)을 적용해 몬테카를로 효율성을 높인다.
폴리노미얼 카오스(PCE, Polynomial Chaos Expansion)와 같은 스펙트럴 방법은, $f(\mathbf{x})$를 직교다항식의 선형결합으로 근사하여, 비교적 적은 표본으로도 민감도 지표를 추정할 수 있게 해준다. 이를 통해 전역 민감도(Sobol indices 등)를 효율적으로 구할 수 있으며, 다차원 문제에서도 특정 차수 이하의 근사로 빠른 계산을 기대할 수 있다.
여기에 더해, 신경망(인공신경망) 혹은 서포트 벡터 회귀(SVR) 같은 머신러닝 모델을 서로 결합하는 메타모델링(Metamodeling) 방식을 도입하기도 한다. 복잡하고 계산비용이 큰 실제 모델 대신, 상대적으로 빠른 메타모델로 근사함수를 학습시킨 뒤, 이 근사함수에 대해 대량 샘플링과 민감도 해석을 수행함으로써 전역적 민감도를 보다 경제적으로 평가한다.
민감도 분석 결과 활용
민감도 분석에서 얻어진 결과는 다양한 방식으로 활용된다. 문제의 가장 민감한 부분에 대해서는 측정 장비나 예산을 우선 투입해 더 정확한 데이터를 확보하거나, 알고리즘적으로는 반올림오차를 줄일 수 있는 고정밀 연산을 해당 변수를 중심으로 적용할 수 있다. 반면 민감도가 낮은 부분은 다소 러프한 근사를 허용하거나, 과감히 단순화함으로써 전체 계산비용을 줄이는 방향으로 설계된다.
이와 같이 민감도 정보가 있으면, 불필요하게 전부 높은 정밀도로 계산하지 않아도 되는 구간과, 반드시 정밀도를 높여야 하는 구간을 구별할 수 있다. 공학적 시스템에서 센서를 배치할 때도, 민감도가 높은 지점에만 집중적으로 센서를 설치하거나 측정 횟수를 늘려서 체계적인 관측자료를 확보한다. 금융공학, 환경공학, 생물학 등에서도, 모델 입력 변수 중 민감도가 매우 높은 변수는 각종 시나리오 분석에서 주요 감독(target) 대상으로 분류되며, 위험관리나 의사결정에도 우선 순위를 부여한다.
민감도와 상호작용(Two-way 이상)
실제 문제에서는 변수가 여러 개 결합하여 출력을 결정하기 때문에, 한 변수가 단독으로 민감도가 낮아 보여도, 다른 변수와 조합되었을 때 큰 민감도를 보일 수 있다. 따라서 단순 1차 편미분만으로는 충분한 해석이 어려운 경우가 많다. 전역 민감도 기법이나 상호작용 지표(Interaction index)를 통해, 다중 변수들 간의 상관이나 공분산 구조를 함께 고려해야 한다.
비선형·고차원 문제가 일반화됨에 따라, 민감도 해석을 위한 방법론 역시 더욱 정교해지고 있다. 예컨대 Sobol 계열 지표에서도 $S_{12}$, $S_{123}$ 같은 상호작용 항까지 모두 계산해야 비로소 어떤 쌍 혹은 삼중 조합이 결과의 변동에 큰 기여를 하는지 알 수 있다. 이 과정을 통해, 단순히 각 변수의 개별 영향력뿐 아니라 변수 간 응집효과(collective effect)까지 파악하게 된다.
민감도와 모델 검증(Verification) 및 검증 간소화
민감도 분석은 단지 불확실성 전파만이 아니라, 모델 검증(Verification)·검증 간소화 과정에도 중요한 단서를 제공한다. 복잡한 모델을 구축했을 때, 모든 구성요소가 동일한 수준으로 정확해야 하는 것은 아니며, 민감도가 높은 부분에 집중적으로 검증을 수행하고, 민감도가 낮은 부분은 예비 검증만으로도 충분할 수 있다.
이처럼 민감도 기반 검증 전략을 세우면, 한정된 자원으로도 모델의 핵심 영역을 빠르게 안정화할 수 있다. 예컨대 시뮬레이션 소프트웨어를 개발할 때, 코드 커버리지나 테스트 케이스 선정이 항상 균등해야 하는 것은 아니다. 민감도가 높은 알고리즘 루틴과 데이터 흐름 경로에 집중적으로 테스트 케이스를 강화하고, 나머지 부분은 간략한 테스트만 거쳐도 모델 전체 신뢰도를 비교적 효율적으로 확보할 수 있다.
후속 연구 및 적용 전망
민감도 분석은 수치해석 방법론의 틀 안에서만 머무르지 않고, 각종 최적화, 제어이론, 머신러닝, 베이지안 추정, 설계·제조 분야 등으로 광범위하게 확장되어 적용되고 있다. 신뢰성 해석(reliability analysis)과 결합하면, 확률론적 안전도를 산정할 때 어떤 입력 파라메터가 실패 확률을 주도하는지 가려낼 수 있으며, 이를 통해 안전마진이나 재료사양 등의 결정을 더 합리적으로 할 수 있다.
머신러닝 분야에서도, 학습된 모델이 어떤 입력 특성(feature)에 가장 민감하게 반응하는지를 해석하기 위한 XAI(eXplainable AI) 관점에서 민감도 분석 기법이 활용된다. 실제로 신경망이 입력의 특정 부분에만 지나치게 의존하는 현상이 드러난다면, 오버피팅 가능성을 점검하거나, 데이터셋 보강(data augmentation)을 통해 민감도를 분산시킬 필요가 있다.
이처럼 민감도 개념은 앞으로도 점점 더 복잡해지는 데이터·모델 환경에서 필수적으로 다루어야 할 요소가 될 것이며, 수치해석 입문 단계에서부터 기본기를 확실히 이해하고 응용 역량을 쌓는 것이 중요하다.
불확실성(Uncertainty)과 민감도
현실에서 다루는 대부분의 시스템은 측정 불확실성(aleatory uncertainty)과 모델 불확실성(epistemic uncertainty)을 동시에 지니고 있다. 측정 불확실성은 본질적으로 시스템 외부에서 측정 장비 및 환경적 변동으로 인해 발생하며, 이를 통해 얻은 입력값 자체가 확률적 분포를 지닌다고 볼 수 있다. 반면 모델 불확실성은 시스템을 단순화하거나 가정된 파라메터, 혹은 해석 과정의 이상화로 인해 나타난다.
민감도 분석은 이 두 종류의 불확실성이 출력에 어떤 영향을 미치는지를 평가하는 중요한 도구다. 특히 전역 민감도 분석 기법들은, 입력 파라메터가 분포를 가질 때 출력의 분산이 어떻게 구성되는지, 어떤 변수가 출력 분산에 가장 크게 기여하는지 등을 살펴본다. 그 결과를 통해, 실제 시스템의 예측 성능이 무엇에 의해 가장 크게 좌우되는지, 그리고 어느 부분에서 측정 정밀도를 높이거나 불확실성을 축소해야 효율적인 개선이 가능한지를 판단할 수 있다.
예를 들어 실험 데이터 기반의 모델링에서, 측정 장비가 불안정하여 노이즈가 큰 채로 측정된 입력값이 있다면, 해당 입력값에 대한 민감도가 큰 시스템은 결과가 크게 요동칠 수 있다. 반면 여러 입력값 중 일부는 측정 오차가 약간 커도 결과에 큰 변동을 주지 않는다면, 굳이 그 변수를 더 정확하게 측정하지 않아도 된다. 이런 식으로 우선순위를 설정하고, 제한된 자원으로 최대의 예측 안정성을 확보하는 방안을 모색할 수 있다.
전역 민감도 기법 중에서는 Sobol 지수나 FAST(Fourier Amplitude Sensitivity Test) 방법이 많이 알려져 있다. Sobol 지수의 기본 개념은 함수 $f(\mathbf{x})$를 각 입력 변수별로 분해(decomposition)하여, 그 변수 하나만 변화했을 때와 여러 변수가 동시에 변화했을 때의 분산 기여도를 따로따로 계산하는 것이다. 이런 방식으로 변수 간의 상호작용이 매우 큰 경우에도, 1차, 2차, 혹은 고차 상호작용 항을 분리하여 분석할 수 있다.
예측 모델과 민감도 기반의 불확실성 관리
민감도 분석을 활용해 불확실성을 관리하는 전형적인 접근으로, 예측 모델의 오차 경계를 계산하고 이를 기준으로 예측 범위를 한정하는 방법이 있다. 가령 선형 근사모델이라면 출력 $y$에 대한 표준편차 $\sigma_y$를 다음과 같이 표현할 수도 있다.
여기서 $\mathbf{\Sigma_x}$는 입력값 $\mathbf{x}$의 공분산 행렬이고, $\nabla_{\mathbf{x}} f(\mathbf{x}_0)$는 해당 지점에서의 그래디언트다. 이 공식을 통해, 각 요소별로 민감도가 높을수록(그래디언트가 크거나 상관관계가 큰 변수), 출력 불확실성이 커진다는 사실을 정량적으로 확인할 수 있다.
또한 불확실성이 높은 변수가 모델 출력에 주요 영향을 미친다면, 더 정확한 측정 또는 센서 보정을 통한 입력 데이터 개선이 우선시된다. 반대로 불확실성이 낮은 변수가 차지하는 민감도 기여도가 적다면, 비용이 큰 정밀 측정 대신 대략적인 추정만으로도 충분한 경우가 있다.
민감도와 실험 계획법(DOE)
물리 실험이나 수치 실험에서 실험 계획법(Design of Experiments, DOE)을 구성할 때, 민감도 정보가 있다면 중복된 실험을 줄이면서도 중요한 구간을 집중적으로 탐색하도록 설계할 수 있다. 즉, 민감도가 높은 파라메터 구간을 좀 더 촘촘히 샘플링하고, 민감도가 낮은 구간은 희소한 샘플링으로도 결과 해석에 무리가 없을 수 있다.
대표적인 DOE 기법으로는 부분인자 실험법(Fractional Factorial), 라틴 하이퍼큐브 샘플링(LHS), 태그치 방식 등이 있으며, 전역 민감도를 해석해 보면 어느 부분 인자를 더 정교하게 분석해야 하는지 파악이 가능하다.
예를 들어, 항공기 설계에서 날개의 받음각(Angle of Attack), 속도, 외기밀도 등을 동시에 변화시켜 시뮬레이션하거나 실제 풍동 실험을 수행한다고 할 때, 민감도가 가장 높은 변수가 날개의 받음각이라면, 해당 범위를 세분화하여 더 많은 실험 점을 배치하고, 속도나 외기밀도의 구간은 상대적으로 간격을 넓혀도 된다.
민감도와 통계적 신뢰구간
불확실성을 반영한 예측에서, 통계적 신뢰구간(confidence interval)이나 예측구간(prediction interval)을 설정할 때도 민감도가 중요한 역할을 한다. 모델의 출력이 입력변수 변화에 크게 좌우된다면, 동일한 입력 데이터 셋으로 추정한 결괏값에 대한 신뢰구간이 넓어질 것이다.
예컨대 회귀분석의 설정에서, 예측값 $\hat{y}$에 대한 95% 신뢰구간을 구할 때, 일반적으로 회귀계수(기울기)가 클수록, 즉 민감도가 큰 축에 대해서는 신뢰구간 폭이 크게 형성될 가능성이 높다. 이는 기존 데이터들로부터 얻어지는 표준오차와 그래디언트 항이 결합하여 최종적 불확실성 폭을 결정하기 때문이다.
불확실성(Uncertainty)과 민감도
현실에서 다루는 대부분의 시스템은 측정 불확실성(aleatory uncertainty)과 모델 불확실성(epistemic uncertainty)을 동시에 지니고 있다. 측정 불확실성은 본질적으로 시스템 외부에서 측정 장비 및 환경적 변동으로 인해 발생하며, 이를 통해 얻은 입력값 자체가 확률적 분포를 지닌다고 볼 수 있다. 반면 모델 불확실성은 시스템을 단순화하거나 가정된 파라메터, 혹은 해석 과정의 이상화로 인해 나타난다.
민감도 분석은 이 두 종류의 불확실성이 출력에 미치는 영향을 정량화하는 데 유용한 수단이다. 확률론적 접근법을 통해, 입력 변수가 특정 분포를 가질 때 결과의 분포가 어떻게 변동되는지 살펴보거나, 모델 파라메터가 변화할 때 결과의 예측구간이 얼마나 달라지는지 측정할 수 있다. 예를 들어 몬테카를로 시뮬레이션으로 입력 변수를 무작위 샘플링하고, 각 시뮬레이션에서의 출력 변화를 수집해 전역 민감도를 추정하기도 한다.
만일 민감도가 큰 변수나 파라메터가 확인되었다면, 해당 변수의 측정 정확도를 높이거나, 추정 과정에서 추가적인 정보를 결합해 오차를 줄이는 전략이 필요하다. 반면 민감도가 매우 낮은 변수는 상대적으로 해석 모델에서 단순화하거나, 매개변수화(parametrization)를 생략해도 큰 문제가 없을 수 있다. 이러한 방식으로 중요 변수에만 노력을 집중하면, 한정된 자원으로 효율적으로 문제를 해결할 수 있다.
민감도와 실험 설계(Design of Experiments)
실험 설계(DoE) 기법에서도 민감도 분석은 핵심 요소다. 실험 설계는 여러 입력 변수에 대해 계획적으로 실험 포인트를 배치하여, 최소한의 실험으로 변수 간 상호 작용이나 주요 효과를 밝히는 기법이다. 이때 민감도가 큰 변수는 반드시 세밀하게 계측해 변동 폭을 좁히고, 민감도가 낮은 변수는 실험 설계에서 상대적으로 단순화하거나 범위를 넓게 잡는 등 우선순위를 달리 적용할 수 있다.
예컨대 2수준 인자 실험(2-level factor experiment)을 기획할 때, A, B, C, D라는 네 변수 중에서 A와 B가 민감도가 높다는 사전 분석 결과가 있다면, A와 B의 수준 설정을 좀 더 정교하게 나누거나, 이중 교호작용(A×B)을 유심히 살펴보는 식으로 실험 계획의 자원을 분배할 수 있다.
민감도와 다분야 통합 설계(Multidisciplinary Design Optimization)
복합 시스템에서 서로 다른 전문 분야가 연계되어 있을 때, 각 분야의 모델링을 통합하여 전체 최적화를 수행하는 다분야 통합 설계(MDO)가 이뤄진다. 항공기의 예를 들면, 구조해석, 공력해석, 추진기관 해석, 제어시스템 해석 등이 하나로 결합된 최적화 문제로 볼 수 있다. 이때 특정 분야의 파라메터가 다른 분야 결과에 매우 민감하게 작용하거나, 반대로 거의 영향이 없는 경우가 발생할 수 있다.
민감도 분석은 이러한 복합 시스템에서, 어떤 부분모델의 오차가 전체 시스템 응답에 치명적 영향을 주는지 혹은 무시해도 되는지 판별하는 데 쓰인다. 이를 통해 모델 간 의사소통에서 중요한 변수만 집중 관리하고, 덜 중요한 변수는 다소간 단순화나 근사화를 적용해 계산 부담을 줄이는 식의 접근이 가능하다.
민감도와 고성능 계산(High-Performance Computing)
복잡계 문제를 대규모 병렬 컴퓨팅이나 슈퍼컴퓨터에서 해석할 때, 민감도 분석은 다음과 같은 두 가지 측면에서 활용된다. 하나는, 대규모 불확실성 전파(uncertainty propagation) 시뮬레이션에서 입력 변수들의 범위를 전부 세밀하게 탐색하기에는 계산량이 막대할 수 있으므로, 민감도가 높은 변수만 우선적으로 정교하게 스위핑(sweeping)하거나 샘플링 범위를 좁혀 시뮬레이션 효율을 높인다. 다른 하나는, 병렬화 및 분산 계산을 진행할 때 필요한 로드밸런싱(load balancing)이나 메모리 사용 계획에서도 민감도가 높은 연산부분에 자원을 집중 배분하여 전체 계산 시간을 최적화할 수 있다.
예컨대 파이썬, 포트란, C++ 등으로 작성된 대규모 유한요소 해석 코드를 클러스터 환경에서 돌린다고 할 때, 민감도 큰 요소 영역의 격자 해상도를 높이면 연산부하가 증가한다. 이를 위해 해당 영역을 담당하는 노드에 더 많은 프로세서를 할당하고, 나머지 영역은 상대적으로 덜 배정함으로써 계산량을 균형 있게 분산한다.
지금까지 살펴본 민감도와 거동 분석은 수치해석 전반에서 중요한 역할을 하며, 문제의 특성과 알고리즘의 안정성을 함께 평가하는 기초를 제공한다. 문제의 구조가 간단하든 복잡하든, 국소 민감도만으로 충분한 경우도 있고, 전역 민감도까지 고려해야 하는 경우도 있다. 특히 혼돈적 거동, 비선형, 다분야 결합 등이 혼재된 현대 문제 환경에서는 민감도 분석을 통해 오차를 예방하고 안정된 해석을 수행하는 일이 더욱 요구된다.
Last updated