소볼 지수 (Sobol Index (Sobol Sensitivity Index))

한 줄 정의: 모델 출력값의 전체 불확실성(분산)을 각 입력 변수와 그 조합이 얼마나 만들어내는지 비율로 쪼개어 보여주는 전역 민감도 분석 지표.

쉽게 풀면

여러 재료를 넣어 요리를 만들 때, 맛의 변화가 소금 때문인지 후추 때문인지 아니면 둘의 조합 때문인지 궁금하다고 생각해 보세요. 소볼 지수는 바로 이런 질문에 숫자로 답해줍니다. 입력값들을 무작위로 이리저리 바꿔가며 모델을 아주 많이 돌려본 뒤, 출력값이 흔들리는 정도(분산) 중 몇 %가 어떤 입력 하나 때문인지, 몇 %가 입력들의 상호작용 때문인지를 계산합니다. 한 변수만 따로 바꿨을 때의 영향을 보는 '1차 지수'와, 그 변수가 관여하는 모든 상호작용까지 합친 '전체 지수' 두 가지를 주로 씁니다. 결국 "이 모델에서 진짜 중요한 입력은 무엇인가"를 데이터로 증명해주는 도구입니다.

왜 중요한가

복잡한 시뮬레이션이나 기계학습 모델은 입력 변수가 수십 개에 달하기도 하는데, 그중 실제로 결과를 좌우하는 변수는 소수인 경우가 많습니다. 소볼 지수는 이런 핵심 변수를 정량적으로 찾아내 모델을 단순화하거나 측정·계산 자원을 어디에 집중할지 결정하는 데 쓰입니다. 또한 국소적인 미분 기반 민감도 분석과 달리 입력 전체 범위를 고려하고 변수 간 비선형 상호작용까지 포착하기 때문에, 공학·기후·금융 등 다양한 분야의 불확실성 정량화(UQ) 연구에서 표준적으로 활용됩니다.

논문에서는 이렇게 쓰입니다

"소볼 지수 분석 결과, 총 출력 분산의 68%가 재료의 열전도율 하나에 의해 설명되었으며, 나머지 변수들의 1차 기여도는 모두 5% 미만이었다."

여러 입력 변수 중 열전도율이라는 단 하나의 변수가 결과 불확실성의 대부분을 좌우한다는 뜻으로, 이 변수를 정밀하게 측정하는 것이 가장 중요하다는 결론을 내릴 수 있습니다.

"전체 소볼 지수와 1차 소볼 지수의 차이가 크게 나타난 두 변수는 강한 상호작용 효과를 가지는 것으로 확인되었다."

두 값의 차이가 크다는 것은 해당 변수가 단독으로는 영향이 작아 보여도, 다른 변수와 함께 변할 때는 결과에 큰 영향을 준다는 의미입니다.

조금 더 깊게 보면

소볼 지수는 수학적으로 함수를 각 입력의 단독 효과, 두 입력의 상호작용, 세 입력의 상호작용 등으로 나누는 '분산 분해(ANOVA 분해)'에 기반합니다. 이론적으로는 몬테카를로 적분으로 정확히 계산할 수 있지만, 입력 변수 수가 많고 모델 실행 비용이 클 경우 필요한 샘플 수가 기하급수적으로 늘어나는 것이 문제입니다. 이를 해결하기 위해 대리모델(surrogate model, 예: 가우시안 프로세스나 다항 카오스 전개)로 원래 모델을 근사한 뒤 그 위에서 소볼 지수를 계산하는 방법이 널리 쓰입니다.

주의할 점

소볼 지수는 입력 변수들이 서로 독립적이라는 가정 위에서 정의되며, 입력 간 상관관계가 강하면 해석이 왜곡될 수 있습니다. 또한 표본 수가 충분하지 않으면 추정값 자체의 오차가 커서 잘못된 결론으로 이어질 수 있으므로, 신뢰구간이나 수렴 여부를 함께 확인해야 합니다.