단위의 대수학: Buckingham의 Pi-grec 정리부터 잠재 변수 학습 (Latent-Variable Learning)까지

엔지니어들은 종종 속도, 압력, 온도, 길이와 같이 서로 다른 물리적 단위로 표현되는 많은 양들을 측정합니다. Buckingham의 Pi-grec 정리는 이러한 변수들이 항상 시스템의 거동을 완전히 결정하는 값들을 가진 더 작은 무차원 수 (dimensionless numbers) 집합으로 결합될 수 있다고 명시합니다. 적절한 무차원 군 (dimensionless groups)을 식별하는 것은 전통적으로 전문가의 지식과 물리적 통찰력을 필요로 했습니다. 본 논문은 지배적인 물리학에 대한 사전 지식 없이도 데이터로부터 이를 자동으로 발견할 수 있음을 보여줍니다. 핵심적인 관찰은, 동일한 시스템의 서로 다른 스케일링 (scaling) 하에서 수집된 측정값들이 로그 변환 (logarithmic transformation)을 거친 후, 기저에 깔린 무차원 군에 의해 결정되는 기하학적 구조를 가진 저차원 매니폴드 (low-dimensional manifold) 상에 놓인다는 것입니다. 특이값 분해 (Singular Value Decomposition, SVD)는 데이터로부터 이 매니폴드를 직접 식별합니다. 이후 정수 지수 조합 (integer-exponent combinations)에 대한 탐색을 통해 후보 무차원 양들을 복원하며, 반복 변수 필터 (repeating-variable filter)는 기계의 특성 스케일로부터 구축된 것들만을 유지합니다. 이 절차는 유량 계수 (flow coefficient), 양정 계수 (head coefficient), 마하 수 (Mach number)를 포함하여 친숙한 공학적 군들을 복원하는 동시에, 동일하지만 해석력이 떨어지는 대안들은 배제합니다. 이 방법은 16,000개의 측정값을 포함하는 합성 컴프레서 데이터셋을 통해 입증되었습니다. 가공되지 않은 차원 변수와 물리적 입력이 없는 상태에서 시작하여, 수치적 정밀도로 정확한 무차원 군을 복원하고 0.01% 미만의 오차로 컴프레서 성능 맵 (performance map)을 재현합니다. 더 넓게는, 이 연구는 고전적인 차원 분석 (dimensional analysis)과 현대의 데이터 기반 학습 (data-driven learning) 사이의 밀접한 연결 고리를 밝혀냅니다. 두 방식 모두 동일한 기저의 대수적 구조에 의존하며, 이는 해석 가능하고(interpretable), 확장 가능하며(scalable), 데이터 효율적인(data-efficient) 물리 모델을 구축하기 위한 새로운 접근 방식을 시사합니다.