잘 맞는 모델과
구별 가능한 모델은 다르다

출력에 잘 맞는 파라미터를 찾았다고 해서, 그 값이 유일하게 정해졌다는 뜻은 아니다. 모델 구조 안에 같은 출력을 만드는 다른 파라미터가 숨어 있을 수 있다.

구조적 식별가능성은 이상적인 관측 조건에서도 파라미터를 구별할 수 있는지를 묻는다. 실제 데이터의 잡음이나 양을 따지는 실용 식별가능성에 앞서는 질문이다. 하지만 기호 계산의 비용 때문에, 정작 복잡한 모델에서는 검사가 생략되기 쉽다.

특히 삼각함수나 비유리 Hill 항을 포함하는 모델은 다루기 어렵다. 유리식으로 변환해 분석할 수도 있지만, 변환된 모델의 비식별 결과를 원래 모델에 그대로 옮길 수 있는지는 따로 살펴야 한다.

논문의 기여는 해석적 비선형 ODE 모델에 적용할 수 있는 관측가능성 기반 방법, 큰 모델을 위한 계산 전략, 그리고 이를 구현한 공개 MATLAB 도구 STRIKE-GOLDD다. 적용 범위가 넓다는 사실이 모든 모델의 완전한 분석을 계산상 보장하지는 않는다.

파라미터를 상태로 붙이면,
관측가능성이 답을 준다

출력은 상태의 함수이고, 상태는 동역학을 따라 변한다. 출력을 시간에 따라 미분하면 상태와 파라미터에 관한 정보가 더 드러난다. 이 정보를 쌓아, 서로 독립적인 방향이 충분한지 검사하는 것이 핵심이다.

그림 1. STRIKE-GOLDD의 핵심 분석 요소. 리 미분으로 행렬을 구성하고, 랭크 검사와 파라미터별 분석을 수행한다. 큰 모델에는 분해와 반복 정제를 적용한다. 이미지를 선택하면 원본 크기로 볼 수 있다. 출처: 원 논문, CC BY.

출력의 미분을 쌓는 관측 행렬

상태를 x, 입력을 u, 출력을 g, 상태 방정식을 f라 하자. 리 미분은 동역학을 따라 출력이 어떻게 변하는지를 나타낸다.

원 논문 식 3–5의 핵심 구조 · 명시적 시간 의존성을 생략한 표기
Lfg = (∂g / ∂x) f(x, u)
𝒪(x) = stack { ∂g/∂x, ∂(Lfg)/∂x, …, ∂(Lfn−1g)/∂x }
stack은 각 미분의 야코비안 행렬을 위에서 아래로 쌓는다는 뜻이다. 시간에 따라 변하는 입력이 있는 경우에는 해당 입력 의존성을 반영해야 한다.

이제 파라미터 p를 미분이 0인 추가 상태로 취급한다. 확장 상태의 차원은 원래 상태 수 n과 파라미터 수 q를 더한 값이다.

확장 상태와 OIC · 원 논문 식 7
x̃ = [x, p],   ṗ = 0
rank 𝒪I(x̃) = n + q
확장 관측 행렬이 완전 열 랭크이면 상태의 국소 관측가능성과 파라미터의 국소 구조적 식별가능성을 확보한다.

출력을 계속 미분하면 방정식이 늘어난다.
중요한 것은 개수가 아니라,
서로 독립적인 정보가 얼마나 늘어나는가다.

방법의 직관을 풀어 쓴 설명
수식을 읽는 데 필요한 기호
기호의미
n / q / m상태 수 / 미지 파라미터 수 / 측정 출력 수
Lfigi차 리 미분. 동역학을 따라 계산한 출력의 i차 시간 미분에 대응한다.
𝒪I상태와 파라미터를 함께 대상으로 하는 확장 관측 행렬
랭크행렬에 담긴 독립적인 정보의 수. 단순히 행이 많다고 커지지는 않는다.

랭크가 부족하면, 어느 파라미터가 문제인가?

  1. STEP 01확장한다

    파라미터를 상수 상태로 추가한다.

  2. STEP 02미분을 쌓는다

    출력의 리 미분으로 행렬을 구성한다.

  3. STEP 03열을 제거한다

    파라미터 열을 지워 랭크 변화를 본다.

  4. STEP 04조합을 찾는다

    영공간에서 구별 가능한 묶음을 찾는다.

충분한 미분을 반영한 행렬에서 파라미터 열을 하나 제거해도 랭크가 그대로라면, 그 열이 나타내는 정보는 다른 열과 구별되지 않는다. 이 검사를 통해 해당 파라미터의 비식별을 판정한다. 미분을 충분히 계산하지 않은 부분 행렬에서는 같은 결론을 성급히 내려서는 안 된다.

개별 값이 보이지 않아도, 곱은 보일 수 있다

식별 가능한 파라미터의 열을 제거한 부분 행렬 𝒪U의 영공간은, 출력으로 구별할 수 없는 변화 방향을 드러낸다. 그 방향으로 값이 바뀌지 않는 함수 F를 찾으면 식별 가능한 조합의 후보를 얻는다. 논문은 이를 편미분방정식으로 구성한다.

JAK/STAT 사례
v = [0, 0, −θ17/θ22, 0, 1]
∇F · v = 0   →   F = θ17θ22
이 사례에서는 두 파라미터의 개별 값 대신 곱이 식별 가능한 조합으로 나타난다.

큰 모델에서는
한 번에 다 풀지 않는다

반복적인 기호 미분은 빠르게 비싸진다. 논문은 필요한 미분 차수를 줄이고, 증명할 수 있는 결과부터 확보한 뒤, 문제를 작게 만들어 다시 분석한다.

미분 차수와 랭크 계산

완전 열 랭크에 필요한 행 수로부터 얻는 하한
nd = ⌈(n + q)/m − 1⌉
각 차수에서 m개의 행이 추가된다는 계산이다. 이 차수에 도달해도 행들이 종속이면 충분하지 않다. 논문에서 고려하는 최대 차수는 n + q − 1이다.

행렬을 재귀적으로 쌓으며 랭크의 증가를 확인하고, 정체 조건을 활용한다. 기호 랭크 계산 대신 변수에 소수(prime number) 값을 대입한 수치 계산도 사용한다. 특수한 대입값에서 생길 수 있는 우연한 소거는 반복 평가로 위험을 줄인다.

Decomposition

작은 부분 모델로 나누기

상태의 부분집합을 선택하고, 밖에 있는 상태는 미지 상수 파라미터로 취급한다. 논문의 분해 구성과 가정 아래에서 부분 모델의 식별가능성은 전체 모델의 식별가능성에 대한 보수적인 근거가 된다.

Iterative refinement

알게 된 것을 빼고 다시 풀기

이미 식별 가능하다고 판정한 파라미터를 확장 상태에서 제외하면 행렬이 작아진다. 줄어든 문제를 다시 분석해 추가 결과를 얻는다.

부분 모델 밖의 상태를 자유롭게 설정할 수 있는 입력으로 두면, 실제로 없는 자극 가능성을 가정할 수 있다. 그래서 미지 상수로 다루는 보수적인 구성이 중요하다. 상태 부분집합의 선택은 nd를 최소화하는 조합 최적화 문제로 만들고, 변수 이웃 탐색을 사용한다. 각 상태가 적어도 한 번은 선택되도록 강제 포함하는 분석도 수행한다.

부분 결과에도 방향이 있다
분석주요 구성확정할 수 있는 것
CCA
완전 분석
전체 상태를 대상으로 충분한 미분 또는 랭크 정체 조건까지 분석모든 파라미터의 식별·비식별 판정
PAI
부분 식별 분석
미분 차수를 줄이거나 부분 모델을 사용일부 파라미터가 식별 가능하다는 결론
PAU
부분 비식별 분석
전체 상태에서 파라미터 제거나 출력 추가로 단순화하고 필요한 차수까지 분석일부 파라미터가 비식별이라는 결론

부분 분석에서 판정되지 않은 파라미터는 ‘미판정’이다. 식별 또는 비식별로 간주하지 않는다.

도구는 리 미분 계산의 시간 한도, 시간 초과 시 부분 분석이나 분해로 전환하는 옵션, 수치·기호 랭크 계산을 제공한다. 특정 초기조건을 대입해 일반적인 조건과 다른 식별가능성 결과가 생기는지도 살필 수 있다.

진단의 가치는
모델을 고칠 때 드러난다

사례는 상태 2–34개, 출력 1–13개, 파라미터 6–117개에 걸친다. 중요한 결과는 식별 여부만이 아니라, 어떤 값을 고정하고 무엇을 더 측정해야 하는지에 대한 단서다.

원 논문 표 2. 분석 대상 모델의 규모와 특성. 아래 표는 제공된 노트에 기록된 주요 판정과 수정 방향을 재구성했다. 출처: 원 논문, CC BY.
모델별 결과와 설계 선택지
모델 · 규모주요 판정수정 또는 추가 측정
피타바스타틴n / m / q = 3 / 1 / 7 식별 가능
기존의 다른 방법으로 분석에 실패했던 간 흡수 모델을 판정했다.
이 사례에서는 식별가능성을 위한 수정이 필요하지 않았다.
Goodwin 진동자3 / 1 / 8 4개 비식별
9차 미분으로 b, σ, β, δ는 식별 가능, a, A, α, γ는 비식별로 판정했다.
{A, a}와 {α, γ}에서 하나씩 고정하거나, 상태 3개를 모두 측정한다.
MAPK3 / 3 / 14 식별 가능
모든 상태를 측정하면 식별 가능하다. 상태 하나의 측정을 제외하면 2–3개 파라미터가 비식별이 된다.
측정 채널의 제거가 식별가능성에 미치는 영향을 먼저 확인한다.
NF-κB15 / 6 / 29 5개 비식별
c1c, c2c, c3c는 측정 출력에 영향을 전달하지 않는 x15에만 등장한다. c4와 k2도 비식별이다.
c1c–c3c와, c4 또는 k2 중 하나를 고정해 미지 파라미터를 25개로 줄인다.
JAK/STAT10 / 8 / 23 5개 비식별
θ17θ22가 식별 가능한 조합으로 나타난다.
이 조합을 이용한 재파라미터화와 θ11 고정을 통해 21개 파라미터 모델로 정리한다.
애기장대7 / 2 / 28 부분 분석
nd = 16으로 직접 분석이 어렵다. 분해로 10개, 9차 미분을 이용한 분석으로 1개를 추가 식별했다.
단백질 농도까지 측정하면 모두 식별 가능하다. 분해율 상수 5개를 고정하는 대안도 제시한다.
CHO 대사34 / 13 / 117 일부 미판정
비식별 4개를 두 개의 합으로 재파라미터화했다. 이후 95개 파라미터의 식별을 확인했고, 18개는 미판정으로 남았다.
6개 파라미터를 고정한 경우 나머지의 식별가능성을 확인했다.

규모는 상태 / 출력 / 파라미터 순서다. ‘식별 가능’은 이 보고서에서 논문의 국소 구조적 식별가능성 판정을 뜻한다. 수정 후 수치는 고정·재파라미터화가 반영된 모델을 기준으로 읽어야 한다.

그림 2. (A) 피타바스타틴 간 흡수, (B) Goodwin 진동자, (C) MAPK 캐스케이드. 아래 의존 관계 그래프에서 별은 상태, 사각형은 출력, 원은 파라미터다. 출처: 원 논문, CC BY.

사례들이 공유하는 경향. 출력에 비해 파라미터가 많은 모델은 비식별을 의심할 만하며, 필요한 미분 차수도 커져 분석이 어려워진다. 다만 계산이 어렵다는 사실 자체가 비식별의 증명은 아니다. 모델 구조를 더 자세히 살펴야 한다는 신호로 읽는 편이 적절하다.

이 검사가 보장하는 것과
남겨 두는 것

Local ≠ Global

국소 판정은 전역 유일성이 아니다

랭크 조건은 주변의 값들을 구별할 수 있는지 말한다. 예를 들어 y = [cos x, sin x]는 국소적으로 x를 구별해도, 2kπ만큼 떨어진 값들을 구별하지 못한다.

Structural ≠ Practical

구별 가능해도 추정은 어려울 수 있다

구조적 식별가능성은 실제 데이터에서의 정확한 추정을 보장하지 않는다. 잡음, 샘플링, 실험의 자극 조건은 별도로 검토해야 한다.

큰 모델은 부분 결과에 머물 수 있다. CHO 사례의 미판정 18개처럼, 계산이 끝나지 않은 영역을 명확히 남기는 것이 분석의 일부다. 영공간에서 조합을 찾는 절차 역시 비식별 파라미터가 적을 때 상대적으로 현실적이다.

또한 일반적인 상태에서 얻은 판정과 특정 초기조건에서의 판정은 다를 수 있다. 모델의 함수 형태, 입력, 측정 출력, 초기조건을 함께 기록해야 결과를 올바르게 재사용할 수 있다.

유압 디지털 트윈에
같은 질문을 던진다면

HR35에서 먼저 필요한 것은 모든 물리 파라미터의 추정값이 아니라, 현재 센서 구성으로 분리해서 알 수 있는 값의 목록일 수 있다.

적용 제안의 범위. 아래 내용은 논문의 생물학 모델 실증 결과와 구분되는 HR35 관점의 해석이다. 실제 식별가능성은 유압 모델의 방정식, 입력, 출력과 초기조건을 정의한 뒤 검증해야 한다.

1. 파라미터 목록을 형식적으로 검사한다

면적, 체적탄성계수 β, 마찰, 데드밴드, 누설, 질량, 무게중심 등 파라미터가 수십 개라면, 각각을 독립적으로 추정할 수 있는지 먼저 확인한다. 경사계 3개와 압력 6개를 출력으로 삼는 구상에서는 다음이 출발점이다.

nd = ⌈(n + q)/9 − 1⌉
원 노트의 3–5차 예상은 n + q의 구체적인 값에 달려 있다. 이 값은 계산량의 첫 가늠자이며, 실제 실행 가능성이나 충분한 랭크를 보장하지 않는다.

2. ‘곱으로만 보이는 값’을 검증한다

질량과 무게중심처럼 조합으로 나타날 가능성이 있는 항을 영공간 분석의 대상으로 삼는다. 어떤 곱이나 합이 실제로 식별 가능한지 확인하면, 독립 추정할 값과 외부 측정으로 고정할 값을 구분할 수 있다.

3. 관절별 보정의 가정을 드러낸다

붐이나 스틱을 따로 분석하는 접근은 부분 모델 분해와 연결할 수 있다. 다만 관절을 격리한 실제 실험이 논문의 부분 모델 구성과 같은 가정을 만족하는지는 별도 검증이 필요하다. 외부 상태를 미지 상수로 두는 규칙은 그 가정을 점검하는 출발점이다.

4. 센서 추가를 설계 질문으로 바꾼다

Goodwin과 애기장대 사례는 출력 추가가 식별가능성을 바꿀 수 있음을 보여준다. HR35에서도 압력 채널, 펌프 압력, 회전수 정보를 포함했을 때 어떤 비식별이 해소되는지 비교할 수 있다. 각 신호가 측정 출력인지 알려진 입력인지부터 명시해야 한다.

5. 불연속 구간은 적용 조건을 확인한다

데드밴드나 릴리프의 불연속·비매끄러운 표현은 해석적 모델이라는 전제에 맞지 않을 수 있다. tanh 같은 매끄러운 근사를 사용할 수 있지만, 근사 모델의 식별가능성 결과와 원래 시스템의 결과 사이에 차이가 생기는지도 살펴야 한다.

추정하기 전에,
구별할 수 있는지 묻자

이 논문을 모델링 실무로 가져오는 방법은 명확하다. 상태·입력·출력·파라미터를 적고, 구조적 식별가능성을 확인한 뒤, 비식별의 원인에 맞게 모델이나 실험을 수정한다.

  • 고정할 수 있는가? 독립 측정이나 사전 지식으로 일부 파라미터를 정할 수 있는지 확인한다.
  • 조합으로 바꿀 수 있는가? 개별 값 대신 식별 가능한 곱이나 합으로 재파라미터화한다.
  • 더 관측할 수 있는가? 구별되지 않던 상태와 파라미터를 드러낼 출력이나 실험 조건을 찾는다.
  • 무엇이 아직 미판정인가? 계산 한계와 증명된 결과를 분리해서 기록한다.

좋은 모델은 많은 파라미터를 가진 모델이 아니라,
관측으로 뒷받침할 수 있는 주장을 하는 모델이다.

다음 추정 실험을 준비하고 있다면, 센서를 더 달거나 데이터를 더 모으기 전에 한 장의 목록부터 만들어 보자. 지금의 출력으로 알 수 있는 값, 조합으로만 알 수 있는 값, 아직 판단하지 못한 값. 그 구분이 다음 실험의 목적을 선명하게 만든다.

출처와 읽기 안내

Structural Identifiability of Dynamic Systems Biology Models
Alejandro F. Villaverde, Antonio Barreiro, Antonis Papachristodoulou.
PLOS Computational Biology 12(10): e1005153, 2016.

원 논문 읽기 · DOI: 10.1371/journal.pcbi.1005153

  1. 문서의 성격. 제공된 Obsidian 논문 요약을 읽기 쉬운 연구 보고서로 재구성했다. 수치와 사례는 해당 노트에 기반하며, 새로운 분석이나 재현 실험 결과를 제시하지 않는다.
  2. 그림과 표. 제공된 원 논문 그림 1, 표 2, 그림 2를 사용했다. 저작자와 출처는 위 논문이며, 원 논문은 CC BY로 배포되었다. HTML 비교표와 설명은 노트의 내용을 재구성한 것이다.
  3. 판정의 범위. 별도 언급이 없으면 ‘식별 가능’은 국소 구조적 식별가능성을 뜻한다. 랭크를 설명하는 인용형 문장은 직접 인용이 아니라 이해를 돕기 위한 재서술이다.
  4. 응용 의견. HR35 관련 내용은 노트 작성자의 적용 제안이다. 원 노트에 언급된 Werner·Ferlibas, ETH 2026, Chiş 2011은 완전한 서지정보와 본문이 제공되지 않아 이 글의 독립적인 검증 근거로 사용하지 않았다.
구조적 식별가능성 확장 관측 행렬 리 미분 열 제거 검사 식별 가능한 조합 모델 분해 PAI / PAU STRIKE-GOLDD