피드백, 학습, 그리고 적응 - 강의 계획서

섹션별 상세

피드백의 정의와 모델링: 측정값을 행동으로 변환하는 설계된 피드백과 구성 요소 간의 상호작용을 나타내는 모델링된 피드백을 구분한다.

안정성과 항상성: 안정성 분석을 단순한 수학적 조건을 넘어, 외부 교란 속에서도 시스템이 원하는 작동 지점을 유지하려는 항상성의 원리로 이해한다.

PID 제어의 재발견: 대부분의 공학 시스템과 머신러닝 최적화 알고리즘의 근간이 되는 PID 제어를 통해 제어 설계와 일반화의 핵심 원리를 파악한다.

최적화 기반 제어: 파라미터 튜닝 중심의 PID와 달리, 비용 함수와 제약 조건을 통해 제어기가 유도되는 MPC(Model Predictive Control)와 ADP(Approximate Dynamic Programming)를 포함한다.

강건성과 시스템 식별: 모델이 부정확하거나 측정 노이즈가 있는 환경에서 시스템을 안정적으로 운영하기 위한 강건성 설계와 동적 특성 추정 기법을 다룬다.

머신러닝과 복잡계: 복잡한 물리 모델을 딥러닝 기반의 예측 모델로 대체하는 '몬스터 모델'의 가능성과 피드백 루프 내에서의 취약성을 검토한다.

피드백 루프(Feedback Loop): — 시스템의 출력이 다시 입력으로 돌아가 시스템의 동작을 조절하는 메커니즘이다. 제어 시스템의 안정성과 성능을 결정하는 핵심 요소이며, 머신러닝에서는 학습 과정의 반복적인 업데이트 구조와 유사하다.
항상성(Homeostasis): — 외부 환경의 변화에도 불구하고 시스템 내부의 상태를 일정하게 유지하려는 성질이다. 제어 이론에서는 시스템이 원하는 작동 지점에서 이탈하지 않고 안정성을 유지하는 능력을 의미한다.
시스템 식별(System Identification): — 관측된 입출력 데이터를 바탕으로 시스템의 동적 특성을 수학적 모델로 추정하는 과정이다. 제어기 설계의 기초가 되며, 머신러닝의 모델 학습 과정과 기술적으로 맞닿아 있다.
모델 예측 제어(Model Predictive Control): — 미래의 시스템 동작을 예측하여 최적의 제어 입력을 결정하는 기법이다. 실시간 최적화를 통해 제약 조건을 명시적으로 처리할 수 있어 자율 주행 등 복잡한 시스템에 널리 사용된다.
일반화 오차(Generalization Error): — 학습 데이터가 아닌 새로운 데이터에 대해 모델이 얼마나 정확하게 예측하는지를 나타내는 척도이다. 제어 이론의 안정성 개념과 연결되어 시스템의 신뢰성을 평가하는 지표로 활용된다.