불확실성 정량화 (Uncertainty Quantification (UQ))

한 줄 정의: 입력 데이터나 모델 자체가 가지는 불확실성이 최종 해석 결과에 미치는 영향을 확률적으로 평가하고 정량화하는 기법.

쉽게 풀면

시뮬레이션이나 계산 결과는 하나의 정확한 숫자로 나오지만, 실제로는 재료 물성값의 측정 오차, 모델의 단순화 가정 등 여러 불확실한 요소가 섞여 있어 결과에도 어느 정도의 오차 범위가 있을 수밖에 없다. 불확실성 정량화는 이런 입력의 불확실성이 최종 결과에 얼마나 되는 범위의 오차를 만들어내는지를 확률분포나 신뢰구간의 형태로 명확히 제시하는 작업이다. 단순히 "answer는 100이다"가 아니라 "answer는 95±10의 신뢰구간을 가진다"는 식으로 표현하는 것이 목표다. 항공우주, 원자력, 자율주행처럼 안전이 중요한 시스템의 검증에서 결과의 신뢰성을 뒷받침하는 필수적인 절차로 자리잡고 있다.

왜 중요한가

불확실성 정량화는 시뮬레이션이나 모델 예측이 실제 의사결정에 쓰이려면 그 결과가 얼마나 믿을 만한지를 함께 말해줘야 한다는 문제의식에서 중요하게 다뤄집니다. 특히 항공우주, 원자력, 구조공학처럼 안전이 걸린 분야나 최근의 머신러닝 예측 모델에서, 단일 예측값만으로는 위험을 판단하기 어렵기 때문에 오차 범위와 신뢰수준을 함께 제시하는 것이 검증(verification and validation) 절차의 핵심 요소로 자리잡고 있습니다. 이는 모델 개선의 우선순위를 정하는 민감도분석과도 자연스럽게 연결됩니다.

논문에서는 이렇게 쓰입니다

"불확실성 정량화를 통해 예측 균열 성장률의 95% 신뢰구간을 제시하였다."

단일 예측값 대신, 실제 결과가 포함될 것으로 예상되는 95% 신뢰구간의 범위를 함께 제시했다는 뜻이다.

"딥러닝 기반 대리모델(surrogate model)에 베이즈 불확실성 정량화를 적용하여 예측값과 함께 예측의 신뢰도를 함께 산출하였다."

머신러닝 모델이 내놓는 예측값뿐 아니라, 그 예측이 얼마나 확신할 수 있는지를 함께 정량화했다는 뜻입니다.

"기후 모델 앙상블 시뮬레이션에서 매개변수 불확실성과 모델 구조 불확실성을 구분하여 정량화한 결과, 후자가 예측 범위 확대에 더 크게 기여함을 확인하였다."

불확실성의 원인을 입력값 문제와 모델 자체의 한계로 나누어 분석한 기후과학 분야의 사례입니다.

조금 더 깊게 보면

불확실성 정량화에서는 흔히 불확실성을 두 종류로 구분해서 다룹니다. 하나는 자료나 측정 과정 자체의 무작위성에서 오는 우연적 불확실성(aleatory uncertainty)이고, 다른 하나는 모델이나 지식이 불완전해서 생기는 인식적 불확실성(epistemic uncertainty)입니다. 후자는 원칙적으로 더 많은 데이터나 더 나은 모델로 줄일 수 있다고 여겨집니다. 실제 분석에서는 몬테카를로 시뮬레이션, 다항카오스 전개(polynomial chaos expansion), 베이즈 추론 등의 방법으로 이 불확실성들을 전파시켜 최종 결과의 분포를 계산하는 경우가 많습니다.

주의할 점

입력 변수 간 상관관계를 무시하고 독립적이라고 가정하면 불확실성 범위가 실제보다 과소 또는 과대평가될 수 있다.