확률적 매니폴드 분해를 통한 비선형 모델 축소

본 논문은 고차원 시스템을 저차원 확률적 매니폴드에 임베딩하여 동역학을 예측하는 새로운 비선형 모델 축소 방법인 확률적 매니폴드 분해(PMD)를 제안한다. PMD는 시스템의 선형성 및 비선형성을 모두 포착하며, 비침습적 축소 모델 구축을 위한 강력한 프레임워크를 제공한다. PMD의 핵심 강점은 임베딩된 표현을 기반으로 안정적인 동적 상태를 생성하는 예측 능력에 있다. 또한, 선형 특성 행렬과 저차원 확률적 매니폴드의 수렴을 분석하는 수학적으로 엄격한 접근 방식을 제공하여, 샘플 크기 증가에 따라 샘플 기반 근사가 실제 데이터 분포로 수렴함을 보장한다. 이러한 특성들은 PMD의 계산 효율성과 결합되어 유체 역학 시뮬레이션 및 기타 공학 문제와 같이 높은 정확도와 확장성을 요구하는 응용 분야에 다목적으로 활용될 수 있다. PMD는 고차원 시스템의 기하학적 및 확률적 구조를 보존함으로써 계산 속도, 정확도 및 예측 능력 사이의 균형을 달성한다. 결론적으로, PMD는 기존 모델 축소 방법론에 대한 강력한 대안으로 자리매김하며, 복잡한 시스템 분석에 있어 효율성과 신뢰성을 동시에 제공한다.