[논문 리뷰] Toward parallel intelligence: an interdisciplinary solution for complex systems

Yong Zhao, Zhengqiu Zhu외 11명|arXiv (Cornell University)|2023. 10. 05.

Distributed and Parallel Computing Systems인용 수 5

한 줄 요약

이 논문은 복잡한 현실 세계 시스템을 위한 반복적 모델링, 데이터 생성 및 시스템 개선을 가능하게 하는 다학제적 프레임워크인 병렬 지능(parallel intelligence)을 소개한다. ACP(인공 시스템, 계산 실험, 병렬 실행) 접근법에 기반하며, 물리적 시스템과 계산적 시스템 간의 지속적인 피드백 루프를 통해 시스템의 제어, 관리 및 지속 가능한 발전을 향상시킨다.

ABSTRACT

The growing complexity of real-world systems necessitates interdisciplinary solutions to confront myriad challenges in modeling, analysis, management, and control. To meet these demands, the parallel systems method rooted in Artificial systems, Computational experiments, and Parallel execution (ACP) approach has been developed. The method cultivates a cycle, termed parallel intelligence, which iteratively creates data, acquires knowledge, and refines the actual system. Over the past two decades, the parallel systems method has continuously woven advanced knowledge and technologies from various disciplines, offering versatile interdisciplinary solutions for complex systems across diverse fields. This review explores the origins and fundamental concepts of the parallel systems method, showcasing its accomplishments as a diverse array of parallel technologies and applications, while also prognosticating potential challenges. We posit that this method will considerably augment sustainable development while enhancing interdisciplinary communication and cooperation.

연구 동기 및 목표

• 실제 세계 시스템의 복잡성 증가에 대응하기 위해 통합적이고 다학제적인 접근법을 제공하기 위해.
• 계산 실험과 병렬 실행을 활용하여 복잡한 시스템의 모델링, 분석 및 제어를 위한 확장 가능한 프레임워크를 개발하기 위해.
• 컴퓨터 과학, 시스템 공학 및 응용 수학 분야의 지식과 기술을 통합함으로써 전문 분야 간 격차를 메우기 위해.
• 지속 가능한 발전을 위해 적응형이고 데이터 기반의 시스템 최적화를 가능하게 하기 위해.
• 동적인 환경에서 지식 획득과 시스템 개선의 피드백 주기를 수립하기 위해.

제안 방법

• ACP 접근법은 핵심 메타수법 기반으로 하며, 인공 시스템, 계산 실험, 병렬 실행을 통합한다.
• 인공 시스템은 실제 세계의 동적 행동을 시뮬레이션하기 위해 디지털 트윈으로 구축된다.
• 계산 실험은 이러한 인공 시스템 내에서 실시되어 통제된 조건에서 데이터 생성과 가설 검증을 가능하게 한다.
• 병렬 실행은 물리적 시스템과 그 계산적 트윈 간의 동기화를 통해 실시간 모니터링과 적응형 제어를 가능하게 한다.
• 물리적 시스템에서 유래한 데이터가 모델 업데이트에 영향을 주고, 모델의 통찰력이 시스템 개선을 이끄는 폐쇄 루프 사이클을 형성한다.
• 컴퓨터 과학, 시스템 이론 및 도메인 특화 응용 분야의 통찰을 통합함으로써 다학제적 지식 통합을 달성한다.

실험 결과

연구 질문

• RQ1 통합적이고 다학제적인 프레임워크를 통해 복잡한 시스템을 효과적으로 모델링하고 제어할 수 있는가?
• RQ2 물리적 시스템과 계산적 시스템 간의 지속적인 피드백과 적응을 가능하게 하는 메커니즘은 무엇인가?
• RQ3 ACP 접근법은 실제 응용에서 시스템의 회복력, 지속 가능성 및 의사결정 능력을 어떻게 향상시키는가?
• RQ4 다양한 전문 분야의 지식을 체계적으로 통합하여 일관된 계산 프레임워크로 만들 수 있는가?
• RQ5 다양한 도메인으로의 병렬 지능 확장에 있어 핵심 추진 요인와 제약 조건는 무엇인가?

주요 결과

• ACP 기반의 병렬 지능 프레임워크는 물리적 시스템과 계산적 트윈 간의 지속적 상호작용을 통해 반복적이고 데이터 기반의 복잡한 시스템 개선을 가능하게 한다.
• 이 방법은 다양한 도메인에 성공적으로 적용되었으며, 시스템 복잡성 관리에서의 적응성과 강건성을 입증하였다.
• 인공 시스템 내 계산 실험 통합은 실제 운영에 영향을 주지 않고 대규모 가설 검증을 가능하게 한다.
• 폐쇄 루프 피드백 메커니즘은 동적인 환경에서 시스템의 반응성과 장기적 성능을 크게 향상시킨다.
• 공통의 계산 언어와 공유된 모델링 인프라를 제공함으로써 이 프레임워크는 다학제적 협업을 촉진한다.
• 예측 제어와 복잡한 사회기술 시스템 내 자원 할당 최적화를 가능하게 하여 지속 가능한 발전을 지원한다.