현대 운영 시스템은 일상적인 상황에서도 예측하기 어려운 불확실성에 직면합니다. 특히 외부 요인과 내부 역학으로 인해 드물게 발생하지만 파급력이 큰 사건(rare, bursty, self-exciting events)들은 기존 인공지능 모델로는 예측하기 어려웠습니다. 이러한 문제를 해결하기 위해 한국 연구진이 로렌츠 푸리에 신경망 연산자(L-FNO: Lorentzian Fourier Neural Operator)라는 새로운 확률적 신경망 연산자 모델을 제안했습니다.
L-FNO는 기존의 푸리에 신경망 연산자(FNO) 스타일의 공변량 경로에 과거 의존적인 여기(excitation)를 위한 로렌츠 스펙트럼 커널을 결합하고, 우도 기반 훈련 목표(likelihood-based training objective)를 사용합니다. 기존 신경망 연산자(Neural Operator)는 주로 함수 대 함수(function-to-function) 회귀 방식으로 훈련되어 희소한 사건(sparse event) 예측에는 한계가 있었습니다. L-FNO는 이러한 한계를 극복하며, 8가지 합성 점 과정(point-process) 벤치마크와 질병 발생 예측, 반도체 결함 탐지 등 3가지 실제 데이터셋에서 기존 회귀 및 우도 기반 신경망 연산자 모델보다 사건 우도(event likelihood), 보정 진단(calibration diagnostics), 희귀 사건 탐지(rare-event detection) 성능을 크게 향상시켰습니다.
이 연구 결과는 구조화된 스펙트럼 메모리(structured spectral memory)와 우도 기반 학습(likelihood-based learning)이 확률적 사건 역학(stochastic event dynamics) 모델링을 위한 신경망 연산자에 효과적인 귀납적 편향(inductive biases)을 제공함을 보여줍니다. 이는 예측하기 어려웠던 희귀하고 돌발적인 사건들을 더 정확하게 감지하고 예측할 수 있게 함으로써, 다양한 산업 분야에서 의사결정의 질을 높이고 위험을 관리하는 데 중요한 기여를 할 것으로 예상됩니다. 예를 들어, 전염병 확산 초기 징후 포착, 제조 공정의 미세한 결함 조기 발견, 금융 시장의 급변동 예측 등 광범위한 응용 가능성을 가집니다.