효율적인 몬테 칼로 시뮬레이션을 위한 중요 샘플링 기법이 내장된 실험 틀 설계

본 논문은 효율적인 몬테 칼로 시뮬레이션을 위하여 중요 샘플링(Importance sampling) 기법이 내장된 실험 틀을 제안한다. 제안하는 실험 틀은 중요 샘플링 기법을 적용하기 위해 기능적으로 세분화된 중요 표본기(Importance Sampler)와 편향 보상기(Bias Compensator)라는 두 개의 하위 모델을 내장(Embedded)한다. 이러한 하위 모델은 기존의 시스템 모델과 실험 틀의 경계에 플러그인 됨으로써 기존 모델들의 수정없이 재사용할 수 있는 장점이 있다. 그리고 제안하는 실험 틀은 기능적 측면에서 중요 사건에 대하여 동일한 수준의 결과를 얻는 데 있어 기존의 몬테 칼로 시뮬레이션보다 시뮬레이션 시간을 단축시킬 수 있다. 이러한 효용성을 입증하기 위해 두 가지 실험을 수행하였는데, 실험 결과, 본 실험에 대하여 기존의 몬테 칼로 시뮬레이션보다 최대 400 배 가량의 시뮬레이션 시간 측면에서 성능 향상을 확인하였다. 본 논문에서 제안하는 실험 틀은 다양한 콘텐츠 분야에 적용되어 시뮬레이션 성능을 향상시킬 수 있는 도구로 활용할수 있을 뿐 아니라, 교육적 측면에서 다양한 사회 현상을 이해하고 해석하는 도구로도 활용이 가능하다.