과학 머신러닝(SciML) 기법이 거시경제 예측과 같은 실제 복잡한 문제에 적용될 때, 흔히 가정하는 '구조적 사전 지식(structural priors)이 항상 도움이 된다'는 통념이 깨질 수 있다는 연구 결과가 발표되었습니다. 신경 미분 방정식(NODE), 물리 정보 신경망(PINN), 범용 미분 방정식(UDE) 등 SciML 모델은 시스템의 기본 동역학을 반영하는 구조적 사전 지식을 활용할 때 가장 효과적이라고 알려져 있지만, 이번 연구는 이러한 가정이 위반될 때 어떤 일이 벌어지는지 진단했습니다.
연구팀은 거시경제 예측을 스트레스 테스트 영역으로 삼아, ARIMA, LSTM, NODE, PINN, UDE 등 다섯 가지 모델군을 23개국의 희소한 연간 데이터를 활용해 평가했습니다. 그 결과, 어떤 모델도 일관적으로 강력한 예측 성능을 보이지 못해 저주파 거시경제 예측의 어려움을 다시 한번 확인했습니다. 그러나 모델 간의 상대적 계층 구조는 명확하게 드러났는데, 특히 ARIMA와 NODE와 같이 제약이 적은 모델들이 PINN, UDE와 같은 더 많은 제약과 휴리스틱 사전 지식을 가진 모델들보다 일관되게 우수한 성능을 보였습니다. 이는 구조적 사전 지식이 데이터 생성 과정과 일치하지 않을 때 '잘못된 정규화(misregularizers)' 역할을 하여 오히려 예측 성능을 저해할 수 있음을 시사합니다. 연구는 사전 지식 불일치, 체제 전환, 구조적 변화, 최적화 불안정성 등을 실패 원인으로 지목했습니다.
이번 연구는 SciML 실무자들이 구조가 항상 유익하다고 가정하기 전에, 해당 구조가 실제로 도움이 되는지 먼저 테스트해야 한다는 중요한 시사점을 제공합니다. 특히 경제학이나 사회학처럼 복잡하고 비선형적인 시스템을 다루는 분야에서 SciML을 적용할 때, 맹목적으로 이론적 모델을 주입하기보다는 데이터 기반의 검증이 필수적임을 강조합니다. 이는 SciML의 잠재력을 최대한 활용하기 위해선 모델의 투명성과 유연성을 확보하고, 실제 데이터의 특성을 면밀히 분석하는 접근 방식이 중요함을 의미합니다.