기동형 탄도탄 및 극초음속 활공체의 변칙 궤적 예측 기술 동향

1. 서론: 다층 방어 체계의 붕괴 위협과 궤적 예측의 당위성

현대 전장 환경에서 기동형 탄도탄(MaRV, Maneuverable Reentry Vehicle)과 극초음속 활공체(HGV, Hypersonic Glide Vehicle), 그리고 극초음속 순항미사일(HCM, Hypersonic Cruise Missile)은 기존의 전통적인 탄도미사일 방어(BMD, Ballistic Missile Defense) 체계를 무력화하는 가장 치명적인 비대칭 위협으로 자리 잡았다. 전통적인 대륙간 탄도미사일(ICBM)이나 단거리 탄도미사일(SRBM)은 부스트 단계 이후 대기권 밖으로 상승하여 자유 낙하하는 포물선 형태의 케플러 궤적(Keplerian trajectory)을 따른다. 이러한 특성 덕분에 방어자 입장에서는 중간 단계(Mid-course)에서 관측된 일부 레이더 비행 데이터만으로도 종말 단계의 낙하 위치와 궤적을 비교적 높은 정밀도로 예측할 수 있었다1. 그러나 최근 러시아의 아방가르드(Avangard), 중국의 DF-17, 미국의 LRHW, 그리고 북한의 화성-8형 및 신형 기동탄두 장착 미사일 등 주요국이 실전 배치 및 개발에 열을 올리고 있는 극초음속 무기 체계는 이러한 고전적인 예측 가능성을 근본적으로 파괴한다1.

 

극초음속 무기는 대기권 내의 낮은 고도에서 마하 5 이상의 초고속으로 비행하며 방어망을 교란한다. 특히 극초음속 활공체(HGV)는 로켓 부스터에 의해 가속 상승한 후, 대기권 재진입 과정에서 정점으로부터 하강하며 부스터와 분리되어 30~70km의 대기권 상층부에서 활공 비행을 시작한다1. 이 활공 단계에서 HGV는 양항비(Lift-to-Drag ratio)를 극대화하는 형상을 바탕으로 풀업(Pull-up) 기동, 급격한 횡방향 선회(Cross-range maneuver), 그리고 나선형 코르크스크류(Spiral) 형태의 회피 기동을 수행하므로, 탄도미사일처럼 사전에 종말 궤적을 계산하는 것이 불가능에 가깝다1. 이에 더해 스크램제트(Scramjet) 엔진을 사용하여 20~30km의 상대적으로 더 낮은 고도에서 장기간 공력 비행을 수행하는 극초음속 순항미사일(HCM)의 경우, 지상 기반 탐지 레이더의 가시선(Line of Sight) 제한과 지구의 곡률 효과로 인해 사전 탐지 및 궤적 추적이 더욱 심각하게 제한된다1.

 

이러한 기동형 탄도탄의 궤적을 정확히 예측하여 성공적인 요격을 수행하기 위해서는 표적의 3차원 상태(위치, 속도, 가속도)와 비선형적인 공력 특성(항력, 양력 등)을 실시간으로 추정해야 한다. 그러나 궤적 예측 알고리즘을 고도화하기 위한 실제 비행 시험 데이터는 극도로 부족(Data Sparsity)한 실정이다. 적대국은 요격망 돌파 능력을 노출하지 않기 위해 시험 발사 횟수를 엄격히 통제하며, 발사 시에도 요격 체계를 기만하기 위한 변칙 비행을 수행하여 진성 제원(True parameters)을 철저히 은폐한다4. 결국 방어자 입장에서는 불완전하고 노이즈가 극심한 소수의 레이더 추적 데이터만을 기반으로 적의 복잡한 6자유도(6-DOF) 기동 궤적을 실시간으로 예측하고, 요격 체계에 사격 통제(Fire Control) 제원을 제공해야 하는 극한의 공학적 난제에 직면해 있다.

 

 

 

2. 물리적 현상에 의한 비행 데이터 희소성(Data Sparsity) 심화 요인

데이터의 절대적 부족 현상은 비단 적성국의 정보 통제에서만 기인하는 것이 아니다. 극초음속 비행 환경 자체가 센서 관측을 물리적으로 방해하는 근본적인 요인을 내포하고 있다. 비행체가 마하 10 이상의 초고속으로 대기권을 돌파하거나 활공할 때, 기체 전면부에 발생하는 강력한 충격파와 극심한 공력 가열(Aerodynamic heating) 현상으로 인해 기체 주변의 공기 분자가 이온화되어 플라즈마 덮개(Plasma sheath)가 형성된다10.

 

이러한 플라즈마 덮개는 시변 전자 밀도(Time-varying electron density) 특성을 가지며, 텔레메트리 및 지상 레이더가 사용하는 전자기파 신호를 심각하게 감쇠시키거나 반사한다. 연구에 따르면 특정 플라즈마 밀도 조건에서 탐지 레이더의 신호대잡음비(SNR)는 정상 상태 대비 40dB 이상 하락하여 사실상 표적 탐지가 불가능해지는 '플라즈마 블랙아웃(Plasma blackout)' 현상을 유발한다10. 이로 인해 방어 체계는 탄도탄의 전체 비행 궤적 중 가장 결정적인 종말 기동 단계의 데이터를 확보하지 못하게 되며, 센서 네트워크에는 거대한 '관측 공백(Observation gap)'이 발생하게 된다. 따라서 궤적 예측 시스템은 파편화되고 신호 감쇠로 인해 노이즈가 극심한 희소 데이터(Sparse and noisy observations)만을 가지고 미래의 기하학적 궤적을 복원해내야 하는 가혹한 제약 조건 아래 놓이게 된다8.

 

3. 전통적 궤적 추적 및 예측 방법론의 근본적 한계

이러한 제한적 정보 환경에서 지난 수십 년간 미사일 방어 체계에서 널리 사용되어 온 전통적 상태 추정 및 궤적 예측 기법들은 기동형 탄도탄의 등장과 함께 명확한 한계를 드러내고 있다. 기존의 연구 및 실무 적용 사례는 크게 통계적 필터링 기반 기법, 수치 적분(Numerical integration) 기법, 그리고 미분 게임(Differential Game) 이론 기반 접근법으로 대별될 수 있다.

 

3.1. 베이지안 추적 필터 및 공력 수치 적분 모델의 붕괴

방위 산업계에서 표적 추적을 위해 표준적으로 활용되는 확장 칼만 필터(EKF, Extended Kalman Filter), 무향 칼만 필터(UKF, Unscented Kalman Filter), 유한 임펄스 응답(FIR, Finite Impulse Response) 필터 등의 상태 추정 기법은 주로 표적이 비기동 상태이거나 예측 가능한 일정한 기동 패턴을 가질 때 유효하다5. 기동 표적(Maneuvering target)을 추적하기 위해 Singer 모델, 가속도 모델, 저크(Jerk) 모델 등 이른바 광대역 모델(Wide-band models)이 활용되거나, 다수의 운동 모델을 확률적으로 결합하는 상호작용 다중 모델(IMM, Interacting Multiple Model) 알고리즘이 적용되어 왔다5.

 

그러나 고기동 탄도탄이 대기권 재진입 시 시전하는 나선형 하강(Violent spiraling motion)이나 롤 공진(Roll-resonance)에 의한 공기역학적 불안정 기동과 같이 모드 전환이 빈번하고 급격한 상황에서는, IMM 알고리즘에 사전에 정의된 마르코프 전이 확률 행렬(Markov transition probability matrix)이 실제 표적의 기동 변화 속도를 실시간으로 따라가지 못해 심각한 단기 예측 오차를 유발한다5. 또한 EKF와 같은 기법은 비선형 동역학을 선형화(Linearization)하는 과정에서 예측 오차 공분산이 발산할 위험을 내포하고 있으며, 이는 실제 표적의 운동 모델과 방어 체계 내부의 설계 모델 간 불일치(Model mismatch)가 발생할 때 극대화된다8.

 

기준 궤적(Nominal trajectory)을 바탕으로 섭동 이론(Perturbation theory)을 적용하거나, 6자유도(6-DOF) 공력 모델을 실시간으로 수치 적분하여 미래 궤적을 외삽(Extrapolation)하는 닫힌 루프(Closed-loop) 제어 기반 예측 기법들 역시 한계에 직면한다4. 6자유도 비행체 동역학은 전후좌우 및 상하 이동(Surge, Sway, Heave)의 3차원 병진 운동과 롤, 피치, 요(Roll, Pitch, Yaw)의 3차원 회전 운동을 모두 포함하며, 질량 관성 모멘트 변동, 지구 자전(전향력), J2 중력 섭동 등의 외란 요인들이 복합적으로 교차 결합(Coupling)된 고도의 비선형 미분 방정식 체계이다5. 실시간 전장 환경에서 관측되지 않은 초기 상태를 임의로 가정하여 룬게-쿠타(Runge-Kutta) 등의 수치 적분 방식으로 궤적을 전파할 경우, 극히 미세한 초기 조건 오차나 항력/양력 파라미터 오차가 적분 과정을 거치며 종말 단계에서는 수십 킬로미터 이상의 탄착점 오차로 증폭되는 심각한 계산적 불안정성을 낳게 된다4.

 

3.2. 미분 게임 이론(Differential Game Theory) 기반 기동 의도 예측의 한계

단순한 물리적 외삽의 한계를 극복하기 위한 또 다른 주요 학술적 접근법은 요격 미사일(Pursuer)과 표적(Evader) 간의 상호작용을 영합 미분 게임(Zero-sum differential game)으로 수학적으로 모델링하는 것이다24. 이 이론은 표적이 방어 무기를 회피하기 위해 최적 제어(Optimal Control) 이론에 따라 자신의 생존성을 극대화하는 방향으로 기동 명령을 내린다고 가정한다24. 구체적으로는 요격 미사일의 연료(에너지) 소비를 유도하여 고갈시키거나, 최종 요격 시점의 영노력 오차거리(ZEM, Zero-Effort Miss)를 극대화하는 방향으로 표적이 선회 가속도를 발생시킨다고 전제한다24.

 

이를 방어에 역이용하여, 방어 체계는 미분 게임 이론 기반의 유도 법칙(예: DGL/1, DGL/C)을 적용해 표적의 기동 방향(Target maneuver direction)과 가속도의 도달 가능 영역(Reachable set)을 역산하여 미래 궤적을 예측한다27. 특히 현대의 정교한 미분 게임 유도 법칙은 다수 요격체의 일제 사격(Salvo attack) 상황에서 요격 각도(Impact angle)와 요격 시간(Impact time) 제약을 동시에 만족하기 위해 선형 2차 미분 게임(Linear Quadratic Differential Game) 비용 함수를 최소화하는 해석적 솔루션을 찾는다26.

 

그러나 미분 게임 접근법은 표적의 전략적 '의도(Intention)'를 수학적으로 규명한다는 점에서 고무적이나, 최적 회피 명령을 산출하기 위해 비선형 복합 시스템의 해인 리카티 방정식(Riccati equations) 등을 실시간으로 풀어야 하므로 비행 컴퓨터에 가해지는 연산 부하가 극도로 높다는 치명적인 단점이 있다22. 더욱이, 실제 전장에서 적 탄도탄이 방어 체계가 사전에 가정한 '완벽한' 최적 제어 전략을 구사하지 않거나(즉, 비합리적 기동), 방어망의 추적 능력을 상회하는 돌발적인 비대칭 기동을 수행할 경우, 게임 이론 모델의 유효성은 급격히 붕괴된다9.

 

4. 순수 데이터 구동형(Data-Driven) 머신러닝의 부상과 과적합의 함정

전통적 수치 해석의 과도한 계산 비용 문제와 필터링의 선형화 한계를 극복하기 위해, 최근 다수의 연구자들과 산업계는 순환 신경망(RNN, Recurrent Neural Network), 장단기 메모리(LSTM, Long Short-Term Memory), 게이트 순환 유닛(GRU), 양방향 LSTM(Bi-LSTM), 그리고 어텐션 메커니즘을 적용한 Transformer 등 시계열 데이터 처리에 특화된 딥러닝(Deep Learning) 알고리즘을 선도적으로 도입하였다7. 이들 순수 데이터 구동형(Data-Driven) 모델은 방대한 궤적 데이터로부터 비선형적 특징을 효과적으로 학습하여 추론 속도를 비약적으로 향상시키며, 기존 모델 기반 제어가 놓칠 수 있는 다차원적 패턴을 식별하는 데 유리하다8. 예를 들어 Transformer를 활용한 기법은 시계열의 장기 의존성 분석 시 발생하는 기울기 소실(Vanishing gradient) 문제를 해결하며 상승 단계의 궤적 예측 오차를 줄이는 성과를 내기도 하였다7.

 

그러나 순수 머신러닝 기반 궤적 예측은 앞서 언급한 '데이터 희소성'이라는 장벽에 부딪힐 때 치명적인 약점을 노출한다. 딥러닝 인공신경망은 본질적으로 대규모의 정답 라벨이 부여된 훈련 데이터(Training data)에 전적으로 의존하는 '블랙박스(Black-box)' 모델이다13. 관측된 실제 궤적 데이터가 현저히 부족한 환경에서 학습된 일반적인 신경망은 훈련 데이터의 통계적 분포를 벗어난 완전히 새로운 궤적(Extrapolation) 상황에 직면했을 때, 과적합(Overfitting)으로 인해 현실과 동떨어진 결과값을 출력하게 된다8.

 

더욱 치명적인 문제는 순수 신경망이 질량 보존, 운동량 보존, 열역학 법칙 등 비행을 지배하는 기초적인 물리 법칙을 전혀 이해하지 못한다는 점이다35. 물리적 구속 조건이 결여된 신경망은 대기 밀도가 희박해지는 고도에서 공기 저항이 비정상적으로 증가하는 궤적을 그리거나, 기체의 양항비 한계를 초과하는 초자연적인 횡방향 선회를 정상적인 미래 예측으로 도출하는 등 비물리적(Unphysical)인 궤적 오류를 범할 수 있다8. 극초음속 미사일 방어라는 안전 필수(Safety-critical) 도메인에서 예측 궤적의 물리적 정합성이 결여된다는 것은 요격 미사일의 헛된 소모로 이어져 방어망 전체의 붕괴를 초래할 수 있는 심각한 위험 요소이다.

 

예측 패러다임	핵심 원리 및 알고리즘	주요 장점	치명적 한계 및 단점
전통적 추적 필터	베이지안 추정, 칼만 필터(EKF, UKF), IMM, FIR	실시간 상태 추정 최적화, 구현이 상대적으로 단순함	나선형 등 기동 형태 급변 시 공분산 발산, 강한 비선형 6-DOF 동역학에서 정확도 급감8
수치 적분 동역학	6-DOF 운동 방정식 기반 수치 적분, 섭동 이론	물리 법칙을 엄격히 준수, 환경 변수 통제 시 정밀도 높음	계산 부하 극심, 초기 조건 및 공력 파라미터 미세 오차에 극도로 취약함4
미분 게임 이론	최적 제어, 리카티 방정식 해를 통한 ZEM 최적화	표적의 회피 기동 의도를 역이용하여 이론적 타당성 확보	비행 컴퓨터 연산량 과다, 표적이 비합리적 기동 시 예측 모델 즉각 붕괴22
순수 딥러닝 (DL)	LSTM, GRU, Transformer, Bi-LSTM 등	추론 속도 비약적 향상, 숨겨진 비선형 패턴 식별 유용	물리적 법칙 무시(비물리적 궤적 생성), 훈련 데이터 부족 시 과적합 및 발산 심화7
물리 정보 기반 AI	PINN, Neural ODE, QA-PINN, DeepONet	데이터 부족 한계 극복, 역학 법칙을 손실 함수로 강제	훈련 난이도 높음(기울기 강성, 국소 최적해 수렴 위험), 실시간 추론 최적화 기술 요구됨8

 

5. 물리 정보 기반 신경망(PINN)과 데이터-지식 하이브리드 패러다임

순수 데이터 구동 모델의 과적합 문제와 수치 해석 모델의 경직성 및 연산 부하 문제를 동시에 해결하기 위해, 국방 연구자들은 물리 정보 기반 신경망(PINN, Physics-Informed Neural Networks)이라는 획기적인 패러다임으로 집중 전환하고 있다14. PINN은 방대한 시계열 데이터셋 없이도 인공신경망이 물리적으로 타당한 추론을 하도록 수학적으로 강제하는 '과학적 기계 학습(Scientific Machine Learning, SciML)'의 가장 성공적인 형태이다35.

 

5.1. PINN의 수학적 원리와 손실 함수(Loss Function) 최적화

PINN의 핵심 설계 철학은 탄도탄 비행에 관여하는 지배 방정식(Governing equations)인 뉴턴 역학, 나비에-스토크스(Navier-Stokes) 방정식, 열역학 법칙 등을 신경망의 비용 함수(Loss Function)에 정규화 항(Regularization term)으로 직접 융합하는 것이다8. 기존 딥러닝 모델이 단순히 출력값과 실제 라벨(Label) 간의 오차만을 줄이려 했다면, 기동 탄도탄 궤적 예측을 위한 PINN 모델의 총 손실 함수(\(L_{total}\))는 일반적으로 다음의 세 가지 핵심 구성 요소의 가중합으로 엄밀하게 정의된다8:

 

1. 데이터 손실(\(L_{data}\) 또는 \(L_b\)): 플라즈마 블랙아웃과 같은 환경에서도 간헐적으로 획득되는 노이즈 섞인 소수의 레이더 관측 궤적 데이터와 신경망 예측값 간의 잔차(예: 평균 제곱 오차, MSE)를 최소화한다8.

 

2. 물리적 잔차 손실(\(L_{physics}\) 또는 \(L_{PDE}\)): 6자유도 동역학 편미분 방정식에 신경망이 예측한 상태 변수(위치, 속도, 가속도, 공력 계수 등)를 대입했을 때, 방정식의 좌우변이 일치하지 않고 남는 잔차(Residual)를 뜻한다. PINN은 텐서 연산 기반의 자동 미분(Automatic Differentiation) 알고리즘을 활용하여 공간 및 시간에 대한 도함수를 완벽히 계산할 수 있다14. 이 물리적 잔차가 0에 수렴하도록 모델을 강제함으로써, 생성된 궤적이 3차원 공간상의 사거리 손실(\(L_x\)), 고도 손실(\(L_y\)), 횡방향 편향 손실(\(L_u\))을 포함한 운동량 보존과 공력 모델을 완벽히 준수하게 만든다8.

 

3. 경계 및 초기 조건 손실(\(L_{boundary}\)): 발사 시점의 기구학적 초기 상태, 알려진 지형 장애물 제약, 대기 밀도 프로파일과 같은 명시적인 물리적 경계 조건을 준수하도록 유도한다8.

 

결과적으로 신경망 최적화는 \(L_{total} = w_1 L_{data} + w_2 L_{physics} + w_3 L_{boundary} \)라는 복합 손실을 최소화하는 파라미터를 찾는 과정이 되며, 이는 순수 블랙박스 모델을 '데이터-지식 이중 구동(Data-knowledge dual-driven) 모델'로 진화시킨다14.

 

5.2. 데이터 희소성(Data Sparsity) 극복의 기하학적 메커니즘

PINN이 기동형 탄도탄 및 HGV 궤적 예측에서 진정한 '게임 체인저'로 평가받는 이유는 바로 데이터가 현저히 부족한 극한의 상황(Sparse data regime)에서도 견고한 예측 성능을 유지한다는 점이다13. 순환 신경망(RNN) 등 순수 딥러닝 모델은 데이터가 적을 때 가중치 탐색 공간(Search space) 내에서 무한히 많은 비물리적 국소 최적해(Local minima)로 빠지기 쉽다. 그러나 PINN은 \(L_{physics}\)항을 통해 물리적 법칙에 위배되는 해답 공간을 강력한 패널티로 사전에 차단하여 탐색 공간을 극도로 좁혀버린다8.

 

이러한 귀납적 편향(Inductive bias) 부여 덕분에 훈련에 사용할 수 있는 실제 HGV 비행 궤적 데이터가 단 10개의 관측점(Point)에 불과하더라도, 신경망 아키텍처는 그 점들을 물리적으로 가장 타당한 공력 궤적 함수로 강제 보간(Interpolation)하고 외삽(Extrapolation)할 수 있는 탁월한 일반화(Generalization) 능력을 발휘하게 된다8.

 

6. 차세대 신경망 아키텍처의 진화: Neural ODE와 양자 컴퓨팅 융합

PINN의 기초 개념이 정립된 이후, 국방 및 항공우주 학계에서는 기동형 탄도탄의 고유한 특성(비선형적 질량 변화, 급격한 선회 가속도, 항력/양력 파라미터의 변동)을 더욱 정밀하게 처리하기 위해 신경망 아키텍처를 구조적으로 고도화하는 심화 연구를 속도감 있게 진행하고 있다.

 

6.1. 상미분 방정식의 네트워크 내재화: Neural ODE와 PhysNODE

HGV와 같은 첨단 비행체는 고도, 속도, 마하 수에 따라 항력 계수와 양력 계수 등 숨겨진 공력 파라미터가 비선형적으로 요동친다52. 전통적 구조의 PINN은 이러한 파라미터를 고정된 상수로 가정하거나 단순 추정하는 데 그쳐 복잡한 3차원 회피 기동 예측에 한계가 있었다. 이를 극복하기 위해 제안된 최신 아키텍처가 물리 내장형 상미분 방정식 신경망(PhysNODE, Physics-embedded Neural ODE)이다52.

 

PhysNODE는 HGV의 복잡한 운동 방정식을 '레이더로 관측 가능한 변수(위치, 속도 등)'와 '관측 불가능한 숨겨진 파라미터(공력 특성 등)'로 분해하는 듀얼 패스(Dual-path) 메커니즘을 취한다32.

1. 첫 번째 경로에서는 합성곱 신경망(1D-CNN)과 다층 퍼셉트론(MLP)을 통해 희소한 시계열 관측 데이터로부터 이면의 공력 파라미터를 실시간으로 식별해낸다52.
2. 두 번째 경로에서는 추론된 파라미터와 현재 관측된 상태 변수를 기반으로 물리 방정식에 기초한 상태 변수의 미분값(도함수)을 정밀하게 연산한다52.
3. 마지막으로, 두 출력은 매핑 행렬(Mapping matrix)을 통해 결합되며 딥러닝 내부의 ODE 솔버(Solver, 예: ode45)에 직접 전달된다. 이후 수반 상태 방법(Adjoint state method)을 통해 기울기 연산을 효율화하면서 궤적의 미래를 물리적으로 엄밀하게 수치 적분해 나간다52.

이러한 수법은 물리 법칙을 단순한 손실 함수의 '유연한 제약 조건(Soft constraint)'으로 취급하던 초기 PINN 모델에서 한 단계 진화하여, 신경망 아키텍처 자체 내부에 비행 역학 구조를 완전히 '하드코딩(Hard constraint)'함으로써 장기 시계열 궤적 예측의 안정성을 극대화했다36.

 

6.2. 딥 오퍼레이터 네트워크(DeepONet)를 통한 실시간 연산 지연 극복

전통적인 PINN은 특정 발사 조건(Initial conditions)이나 단일 표적 시나리오가 주어질 때마다 신경망의 가중치를 바닥부터 다시 훈련시켜야 하는 막대한 최적화 오버헤드가 발생한다34. 초음속 교전 환경에서 요격 미사일의 사격 통제 솔루션을 생성하기 위해 방어 시스템에 허락된 시간은 단 몇 밀리초(ms)에 불과하므로, 매 궤적 추정 시마다 수천 번의 에포크(Epoch)를 돌리는 재학습 과정은 실전 배치에 있어 치명적인 걸림돌이다22.

 

이러한 실시간 연산 지연 문제를 획기적으로 해결하는 대안이 바로 딥 오퍼레이터 네트워크(DeepONet)이다34. DeepONet은 단일 문제의 특정 해(Solution instance)를 학습하는 데 그치지 않고, 무한 차원의 입력 파라미터 함수 공간(초기 위치, 속도 벡터, 예상 표적 지점 등)을 출력 함수 공간(비행 시간 전체에 걸친 연속 궤적 곡선)으로 변환하는 '솔루션 연산자(Solution Operator)' 자체를 매핑하여 학습한다34. 방어 체계는 평시 시뮬레이터를 통해 다양한 HGV 질량 변화 및 기동 시나리오에 대한 매핑 함수를 초대규모 모델로 사전 학습(Pre-training)해 둘 수 있다. 일단 훈련이 완료된 후 실전에 투입되면, 미세한 레이더 입력만으로도 신경망의 전방 전달(Forward pass) 연산만을 수행하므로 최적화 재학습 과정 없이 수 밀리초 만에 정밀한 전체 궤적을 뿜어낼 수 있어 연산 비용을 획기적으로 낮출 수 있다34.

 

6.3. 양자 보조 컴퓨팅을 접목한 QA-PINN (Quantum-Assisted PINNs)

최근에는 PINN의 고질적인 수렴 실패 및 최적화 병목 현상을 해소하기 위해 양자 컴퓨팅(Quantum Computing)의 확률적 최적화 원리를 차용한 QA-PINN(Quantum-Assisted Physics-Informed Neural Network) 모델이 군사 공학 분야에 등장하고 있다4. 기존 고전적 PINN은 시공간적 궤적 도메인 전체에 걸쳐 복잡한 데이터 적합성과 다차원 물리 제약을 동시에 만족해야 하므로, 기울기 하강법(Gradient descent) 수행 중 불량한 초기화 조건이나 노이즈로 인해 국소 최적해(Local minima)에 빠질 위험이 크다8.

 

QA-PINN은 완전한 독립형 양자 하드웨어를 요구하지 않는 하이브리드 아키텍처이다. 고전적 신경망 계층 이전에 파라미터화된 양자 회전 게이트(Rotation gates) 레이어를 삽입하여 관측된 시공간 변수를 양자 상태(Quantum states)로 인코딩하는 특징 추출(Feature extraction) 연산을 수행한다4. 이 고차원적 양자 특징 매핑은 기존 신경망이 6자유도 동역학의 비선형성을 풀기 위해 수만 개의 뉴런을 사용해야 했던 복잡한 연산을 기하급수적으로 적은 파라미터로 처리할 수 있게 한다4. 산업계 독립 검증 결과에 따르면, QA-PINN은 고전적 PINN 대비 훈련 가능한 파라미터 수를 40% 이상 감축하면서도 탄도 궤적 예측의 근본적 정확도를 21%나 끌어올렸다. 특히 적의 전파 방해(Jamming)나 회피 기동으로 인해 궤적 훈련용 데이터가 순수 머신러닝 요구량 대비 60% 이상 결여된 최악의 조건에서도 90% 이상의 예측 정확도를 유지할 수 있음이 입증되었다8.

 

7. 최적화 한계 극복: 기울기 병리 현상 완화 및 불확실성 정량화(UQ)

과학적 기계 학습을 국방 교전 통제 시스템에 적용하기 위해서는 실험실 수준의 제한된 성공을 넘어, 대기권 재진입 시 발생하는 극단적인 공력 환경에서도 붕괴하지 않는 절대적인 알고리즘적 견고함(Robustness)이 필수적이다. 이를 달성하기 위해 현재 전 세계 연구계는 PINN 모델 학습 과정의 치명적 결함인 기울기 병리 현상(Gradient Pathology)의 해결과, 불확실성을 수학적으로 평가하는 연구에 자원을 집중하고 있다.

 

7.1. 기울기 병리 현상(Gradient Pathology)과 강성(Stiffness) 완화 메커니즘

PINN의 복합 손실 함수 내에서 데이터 손실(Data Loss)과 물리 손실(Physics Loss)은 스케일(Scale)과 민감도가 완전히 다르다. 마하 10 이상의 초고속으로 대기를 가르며 기동하는 비행체의 극단적 비선형 편미분 방정식은 필연적으로 모델 최적화에 심각한 수치적 강성(Numerical Stiffness)을 유발한다37. 특히 극초음속 비행 중 발생하는 강력한 충격파 불연속면(Shock discontinuity)이나 급격한 궤도 수정(Pull-up) 단계에서는 물리 편미분 방정식의 기울기 크기가 수십 배로 폭증하여, 데이터를 적합시키려는 다른 손실 항들의 기울기 방향과 상충하는 치명적인 방향적 기울기 충돌(Directional gradient conflicts)을 일으킨다51. 이 기울기 병리 현상을 방치하면 모델은 올바른 파라미터로 수렴하지 못하고 엉뚱한 비물리적 궤적을 고착화하게 된다.

 

이를 억제하고 PINN의 실용성을 확보하기 위해 학계에서는 다음과 같은 최신 정규화 기법들을 도입하고 있다:

• 적응형 학습률 어닐링(Adaptive Learning Rate Annealing): 역전파(Back-propagation) 과정에서 각 손실 항의 기울기 크기 분산 등 통계량을 실시간 분석하여, 강성이 높은 물리 항의 가중치를 동적으로 줄이고 데이터 적합성에 기여하는 항의 가중치를 증폭하는 방식으로 상호 작용의 균형(Balancing)을 맞춘다37.
• 준정상 상태 가정(QSSA, Quasi-Steady-State Assumption): 수십 마이크로초 단위로 변하는 공기역학적/플라즈마 화학적 반응 스케일과 초 단위의 상대적으로 느린 비행체 거동 역학 스케일을 수학적으로 분리하여 미분 방정식 고유의 강성을 낮추는 기법(Stiff-PINN)이다. 이를 통해 궤적 예측 모델이 충격파 근처에서도 부드럽게 최적화 지점을 찾아갈 수 있도록 유도한다45.
• 마하 수 기반 동적 스케일링(Mach-guided Dynamic Residual Scaling): 마하 5 이상의 고-마하 수 영역에서 발생할 수 있는 에너지 및 운동량 방정식 텐서의 극한 기울기 상승을 막기 위해, 국소 마하 수의 크기에 반비례하도록(예: \(Ma^2, Ma^4\)로 나누어) 방정식 잔차(Residual) 자체를 다운사이징하는 최신 알고리즘 기법이다62. 이는 극초음속 영역 특유의 공간적 경직성을 이완시켜준다.
• 폰트랴긴 최소 원리(Pontryagin's Minimum Principle) 연계: 회피 기동을 수행하는 HGV의 궤적 최적화 문제는 본질적으로 비선형 두 점 경계치 문제(Two-Point Boundary Value Problem, TPBVP)로 귀결된다. 최신 PINN 모델인 OINN(Optimality-Informed Neural Network) 및 PIIM(Physics-Informed Indirect Method)은 폰트랴긴의 최소 원리로부터 파생된 최적 제어의 필요조건인 상태 및 공역 변수(Co-state) 미분 방정식을 신경망 손실 함수에 강제 주입하여, 탐색 공간을 최적 궤적 근방으로 제한함으로써 극한의 강성을 회피하고 학습 속도를 높인다55.

 

7.2. 불확실성 정량화(UQ, Uncertainty Quantification)의 군사적 가치

미사일 방어 사격 통제에서 "적 탄도탄 궤적이 어디로 향할 것인가?"를 계산하는 것만큼 중요한 또 하나의 질문은 "방어 시스템이 이 궤적 예측값을 수학적으로 얼마나 신뢰할 수 있는가?"이다67. 단일 심층 신경망은 최종 예측 궤적 값 하나만을 도출할 뿐, 센서 노이즈나 모델 불일치에 기인한 오차의 신뢰 구간(Confidence interval)을 제공하지 못하므로 방어 지휘부에 과도한 확신(Overconfident prediction)을 제공하는 맹점이 있다69. 실전 환경에서는 교전에 투입할 수 있는 고가치 요격 자산(예: 사드, SM-6, 차세대 GPI 등)이 한정되어 있으므로, 궤적 오차 확률까지 고려한 고도화된 교전 스케줄링이 필수적이다.

이러한 신뢰성 확보를 위해 인공지능 기반 불확실성 정량화(UQ) 방법론이 방공 시스템에 속속 이식되고 있다.

• 심층 앙상블(Deep Ensembles): 초기 가중치(Initial weights)나 훈련 데이터셋 샘플링을 다르게 설정한 여러 개의 복수 PINN 모델을 동시에 병렬로 학습시킨 후 구동하여, 예측 결과군 간의 분산(Variance)을 계산하는 직관적 기법이다. 베이지안 확률망 대비 훈련 알고리즘의 복잡성이 낮으면서도 기동 모델에 내재된 인식적 불확실성(Epistemic uncertainty)을 훌륭하게 잡아내어 유도무기 궤적 예측 분야에서 가장 실용성 높은 대안으로 널리 사용되고 있다69.
• 베이지안 신경망(BNN)과 가우시안 프로세스(GP): 신경망 내부의 모든 가중치를 하나의 고정된 상수가 아닌 특정 확률 분포(Probability distribution)로 취급하여, 최종 예측 궤적을 단일 곡선이 아닌 폭을 가진 '확률적 분포 튜브(Distribution tube)' 형태로 출력한다18. 막대한 연산 비용 문제를 극복하기 위해, 최근에는 수백 개의 은닉층은 고정하되 최종 출력 계층에만 베이지안 확률 분포를 적용하여 실시간 연산 속도를 보장하는 베이지안 최종 계층(BLL, Bayesian Last Layer) 기법이 심화 연구되고 있다71.
• 몬테카를로 노이즈 주입(MCNI, Monte Carlo Noise Injection): 궤적 신경망의 훈련 및 실시간 추론 단계에서 의도적으로 가중치 텐서에 난수 노이즈를 지속 주입하고 수십 차례의 전방 순회 연산(Forward propagations)을 빠르게 반복하여 확률론적 범위값을 도출해내는 기법이다. 이는 베이지안 사후 분포 추론과 수학적 동치성을 가짐이 입증되었으며, 적이 예상치 못한 급격한 회피 선회를 감행하거나 센서 노이즈가 폭증할 때 요격 시스템 화면에 즉각적인 "예측 불확실성 급증 경고"를 띄우는 핵심 로직으로 활용된다9.

 

불확실성 정량화 기법	작동 원리 및 특징	요격 통제 시스템 내 기대 효과
심층 앙상블 (Deep Ensembles)	다수의 서로 다른 모델을 병렬로 구동하여 결과의 분산 산출	직관적이고 안정적, 인식적 불확실성 감지 우수69
베이지안 신경망 (BNN/BLL)	가중치를 확률 분포로 계산(출력층 위주 BLL로 연산 비용 감축)	예측 궤적의 상/하한 신뢰 구간 튜브 도출, 수학적 엄밀성71
몬테카를로 노이즈 주입 (MCNI)	추론 단계에서 가중치에 노이즈를 주입하고 반복 연산 수행	극한 노이즈나 표적 기동 급변 시 즉각적인 불확실성 경고 기능9

 

8. 실전 적용을 위한 도메인 적응: 시뮬레이션-현실 전이 (Sim-to-Real Gap) 극복

앞서 기술한 강력한 AI 궤적 예측 모델들은 6자유도 시뮬레이터(예: NASA GUAM 등)가 생성한 무결점 훈련 환경에서는 완벽에 가까운 성능을 보여준다67. 그러나 완벽하게 통제된 가상 환경(Simulation)에서 학습된 궤적 추론 정책(Policy)이나 신경망 가중치를, 실제 전장(Real)의 열화된 센서 네트워크에 이식할 때 발생하는 확률적 이질성인 '시뮬레이션-현실 간 극간(Sim-to-Real Gap)'은 예측 알고리즘의 붕괴를 초래하는 가장 큰 장애물이다72.

 

순수 기하학적 궤적만을 학습한 모델은 실제 센서의 통신 지연(Latency), 대기 난류 패턴, 자이로스코프 노이즈, 지구 자기장 왜곡 등 훈련 데이터에는 없던 외란을 맞닥뜨렸을 때 치명적인 오작동을 일으킬 수 있다15. 이를 해결하기 위한 실무 공학적 대처 방안은 다음과 같이 진화하고 있다.

 

1. 도메인 무작위화(Domain Randomization) 및 무작위 외력 주입(RFI): 훈련 환경이 되는 6자유도 시뮬레이터 자체에 수십만 가지의 비현실적인 기상 이변, 물리 상수(질량, 공기 밀도, 항력 계수) 변동, 심지어 센서 재밍에 버금가는 극한의 센서 노이즈를 무작위로 주입(Random Force Injection)하여 AI 모델이 학습 과정에서 스스로 강건함(Robustness)을 갖추도록 유도하는 방식이다74.
2. 온라인 미세 조정(Online Fine-Tuning)과 Transic 프레임워크: 시뮬레이터에서 1차로 대규모 훈련(Pre-training)을 마친 신경망을 실제 무기 체계에 탑재한 후, 실사격 훈련이나 제한된 관측 레이더 추적 데이터(Sparse real-world data)를 실시간으로 모델에 재주입하여 도메인 간의 오차를 좁히는 캘리브레이션 기술이다33. 또한 인간 전문가의 개입 피드백을 신경망이 온라인으로 즉각 학습하는 Transic과 같은 참여형 학습 프레임워크도 실제 요격 관제 시스템 적용을 위해 활발히 논의되고 있다72.

 

9. 국내외 무기 체계 통합 전망 및 다층 방어망 구축 동향

극초음속 무기의 변칙 궤적을 통제하기 위한 이러한 고등 수학 및 AI 기법들은 이제 순수 학문적 이론 단계를 벗어나 주요 군사 강국의 차세대 미사일 방어(BMD) 요격 체계와 소프트웨어적으로 결합하는 획기적인 실증 단계로 접어들고 있다.

 

9.1. 미국과 일본의 HGV 요격 시스템: GPI와 통합 우주/해상 방어망

가장 선도적인 대응 능력을 구축 중인 미국 국방부 미사일방어국(MDA)은 극초음속 위협의 궤적을 억제하기 위해 이지스(Aegis) 무기 체계를 근간으로 한 복합 해상/우주 센서 다층 방어망을 구축하고 있다76. 기존의 대기권 밖(Exo-atmospheric) 교전용인 SM-3와 대기권 내(Endo-atmospheric) 종말 돌입 단계 요격체인 SM-6 사이에는 HGV가 횡단하는 거대한 고도 사각지대(활공 구간)가 존재한다. 미국은 이 구간을 직접 타격하기 위해 활공 단계 요격체(GPI, Glide Phase Interceptor) 프로그램을 신설하여 2030년대 중반 배치를 목표로 일본 방위성과 막대한 예산을 투입해 공동 개발을 진행하고 있다3.

 

HGV를 가장 궤적 예측이 까다로운 활공 단계에서 타격하기 위해서는 전 지구적 수준의 연속적인 궤적 추적과 초정밀 사격 통제 능력이 필수적이다. 미국은 이를 구현하기 위해 다음과 같은 킬 체인(Kill-chain) 인프라를 완성해 나가고 있다:

 

1. HBTSS 우주 센서망 배치: HGV가 발산하는 특유의 마찰 열 신호를 지구 곡률의 방해 없이 조기에 탐지하고 지속 추적하기 위해 초저궤도 위성망인 HBTSS(Hypersonic and Ballistic Tracking Space Sensor)를 다수 전개하여 초기 궤적 데이터를 수집한다77.
2. 이지스 연동 AI 사격 통제: 위성과 해상의 AN/SPY-6(V) AMDR 등 다기능 레이더가 수집한 희소 데이터를 이지스 체계 내장 AI 예측 모델로 분석하여 HGV의 향후 기동 코리더(Flight corridor)와 활공 종말점을 실시간으로 연산한다79.
3. 수평선 너머(OTH) 요격: 산출된 정밀 예측 제원을 함정에 탑재된 GPI나 최신예 요격탄인 SM-6 해상 기반 종말 방어(SBT, Sea-Based Terminal) 체계에 고속 데이터링크로 전송하여 선제 교전을 수행한다3. 실제로 최근 미 해군이 실시한 FTX-40 및 Stellar Banshee 시험 훈련에서는 SM-6 최신 업그레이드(Increment 3) 버전을 동원하여 고기동 극초음속 모의 표적(HTV-1)에 대한 궤적 예측 및 모의 요격을 성공적으로 시연하며 이 통합 아키텍처의 유효성을 실증한 바 있다3. 유럽 역시 OCCAR 주도 하에 HYDEF(Hypersonic Defence Interceptor Study) 및 MBDA 중심의 HYDIS2 등 독자적 극초음속 활공체 요격 통합 체계 구축을 가속화하고 있다81.

 

9.2. 대한민국의 궤적 예측 기술 역량과 KAMD의 입체화 방안

대한민국은 지리적 특성상 종심이 극도로 짧아 비행 시간이 단 몇 분에 불과한 북한의 화성-8형 및 신형 원뿔형 기동탄두(MaRV) 탑재 미사일 위협에 정면으로 노출되어 있다1. 이에 군 당국과 국방과학연구소(ADD)는 적의 창을 분쇄할 고도화된 방어망을 개발함과 동시에, 우리 스스로도 압도적인 궤적 회피 능력을 가진 공격 무기를 개발하는 강력한 '투트랙 전략'을 추진하고 있다.

 

• 방패 (요격 체계의 상향 평준화): 한국형 미사일 방어체계(KAMD)를 더욱 촘촘히 다층화하기 위해 차세대 장거리 지대공 유도무기인 L-SAM II 사업이 2035년까지 조 단위의 예산을 투입해 추진 중이다83. L-SAM II는 고고도 요격 유도탄 외에도, 북한의 HGV를 활공 단계에서 원거리 타격할 수 있는 '활공단계요격유도탄'을 세계 최초 방어 수준으로 통합 운용하는 것을 설계 목표로 삼고 있다83. 이와 함께 기존 천궁 II의 탄도탄 요격 고도와 동시 교전 능력을 획기적으로 상향하여 고속 기동 표적에 대한 예측 요격 대응력을 높이는 천궁 III(L-SAM 파생형) 사업도 본궤도에 진입했다85.
• 창 (타격 체계의 극초음속화): 국방과학연구소는 2024년 순수 국내 기술로 개발된 복합영역 초고속 비행체(Hycore)의 비행 시험을 통해 20km 이상의 상공에서 마하 6 이상의 스크램제트 추력 비행 능력을 성공적으로 입증하였다6. 이는 HGV보다 제작과 공력 통제가 훨씬 까다롭다고 알려진 극초음속 순항미사일(HCM) 기술의 토대를 마련한 것이며, 비행 간 발생하는 6자유도 기동 알고리즘과 플라즈마 환경 제어 역량을 국산화하고 있음을 시사한다6.
• 국내 학계 및 산업계 연구 역량: 국내 유수의 항공우주 학계에서는 국방과학연구소의 미래 소요를 뒷받침하기 위해 물리 정보 기반 신경망(PINN) 등 차세대 AI 프레임워크 연구를 적극 전개하고 있다. 탄도탄의 6자유도(6-DOF) 동역학 시뮬레이션 데이터를 바탕으로 기동 중 발생하는 공력 계수 중심의 미세한 불확실성을 수학적으로 역추산(Inverse problem)하고, 비행 성능 상의 치명적 이상(Anomaly)을 실시간으로 분류해내는 연구 성과들이 발표되고 있다87. 산업계에서도 시뮬레이터로 생성한 막대한 양의 합성 데이터(Synthetic data)로 신경망을 사전 학습시킨 뒤, 실제 사격장에서 계측한 소량의 레이더 데이터로 가중치를 미세 조정하는 '시뮬레이션-현실 전이(Sim-to-Real Calibration)' 기법을 도입하여, 예측 연산 지연(Latency) 시간을 2~3 밀리초 단위로 단축하는 혁신적 상용화 연구가 진행 중이다33.

 

10. 결론 및 군사 전략적 시사점

결론적으로 기동형 탄도탄(MaRV)과 극초음속 활공체(HGV)의 실전 전력화는 전통적인 미사일 방어 교리인 "탄도 관측 후 포물선 외삽 예측"을 영구적으로 무효화시키는 지각 변동을 일으켰다. 이로 인해 충분한 궤적 관측 데이터가 부재한 악조건 속에서도 적의 돌발적인 3차원 기동 궤적을 찰나의 순간에 정확히 예측해내는 기술은 단일 국가 안보의 사활이 걸린 가장 치명적인 전략 자산으로 격상되었다.

 

본 보고서의 다각적 분석 결과, 한정된 관측 데이터를 순수하게 통계적으로 매핑하려던 초기의 딥러닝 기법은 비물리적 궤적 생성이라는 한계에 직면하여 도태되고 있으며, 그 대안으로 물리 정보 기반 신경망(PINN) 및 차세대 아키텍처인 물리 내장형 상미분 방정식 신경망(PhysNODE), 양자 보조 신경망(QA-PINN)과 같은 정밀한 '물리-AI 하이브리드 방법론'이 방위 산업계의 차세대 사격 통제 표준으로 확고히 자리 잡고 있음을 확인하였다. 이러한 기술은 극초음속 비행 시 유발되는 플라즈마 블랙아웃으로 인해 단절되고 노이즈가 극심한 극소수의 레이더 단편(Sparse data)만을 활용하면서도, 비행체의 6자유도 동역학과 공기역학적 물리 한계를 내재적으로 준수함으로써 예측 결과의 절대적 신뢰성과 전술적 타당성을 동시에 담보한다.

 

이러한 선도적 AI 기반 궤적 예측 알고리즘의 국산화 및 고도화가 우리 군에 제공할 수 있는 전략적 이익은 절대적이다. 첫째, 요격 미사일 발사의 자원 효율성 및 교전비 극대화이다. 불확실성 정량화(UQ) 기법이 결합된 실시간 예측 제원은 한 발당 수십에서 수백억 원에 달하는 고비용 요격탄(GPI, SM-6, L-SAM 등)의 허위 기동에 의한 낭비를 막고, 최적의 요격 코리더 및 발사 시점을 실시간으로 산출하여 방어망의 교전 성공률을 비약적으로 끌어올린다. 둘째, 독자적인 극초음속 탐지-타격 킬 체인(Kill-chain)의 조기 완성이다. 향후 배치될 군사 정찰 위성망, 조기경보위성과 이지스 다기능 레이더가 융합된 복합 센서 네트워크에 딥 오퍼레이터 네트워크(DeepONet)와 같은 실시간 AI 궤적 예측기를 병합함으로써, 표적 포착부터 요격까지 허용되는 불과 수 분 단위의 작전 골든타임을 온전히 확보할 수 있게 될 것이다.

 

향후 방위사업청 및 국방과학연구소(ADD) 주도의 국가 국방 R&D 거버넌스에서는 다음의 요소들을 집중적으로 기획하고 투자해야 할 것이다.

 

 

1. 기울기 병리 현상 완화(Stiff-PINN) 및 마하 수 동적 스케일링 기법 등 최적화 안정성 연구를 적극 지원하여 전장 환경의 극심한 데이터 훼손 조건(플라즈마 블랙아웃, 적의 전자전 재밍 등)에서도 무결점으로 작동하는 항건성(Robustness) 높은 국산 소프트웨어 알고리즘 확보가 시급하다.
2. 개발된 궤적 예측 모델이 실험실을 벗어나 실제 요격 체계에 온전히 탑재될 수 있도록, 도메인 무작위화(Domain Randomization) 및 메타 학습(Meta-learning) 기반의 실시간 파라미터 온라인 보정(Sim-to-Real) 프레임워크를 한국형 미사일 방어체계(KAMD)의 핵심 사격 통제 체계 소프트웨어 구조에 직접 내장하는 연구가 가속화되어야 한다.

 

결국, 물리적 예측 불가능성을 가장 큰 전략적 무기로 삼는 적의 극초음속 기동형 탄도탄을 완벽히 압도할 수 있는 유일한 방패는, 그 무기가 가진 기계적 한계와 대기권 내 공력 역학의 절대적 법칙들을 방어자의 인공신경망 안에 수학적으로 강제 융합한 차세대 물리 기반 지능형 방어 시스템이 될 것이다.

 

 

참고 자료

1. "괌∙알래스카 타격 가능" 날로 정교해지는 北극초음속 무기 [Foucs 인사이드] - Daum, https://v.daum.net/v/EFggbBqdYu?f=p
2. 극초음속 활공체 - 위키백과, 우리 모두의 백과사전, https://ko.wikipedia.org/wiki/%EA%B7%B9%EC%B4%88%EC%9D%8C%EC%86%8D_%ED%99%9C%EA%B3%B5%EC%B2%B4
3. Hypersonic weapon interceptor developments - European Security & Defence, https://euro-sd.com/2025/09/articles/armament/46457/hypersonic-weapon-interceptor-developments/
4. Smarter Impact Prediction for Maneuvering Missiles, https://www.bqpsim.com/blogs/missile-impact-prediction
5. Motion Models for use with the Maneuvering Ballistic Missile Tracking Estimators - SciSpace, https://scispace.com/pdf/motion-models-for-use-with-the-maneuvering-ballistic-missile-1morgkak1z.pdf
6. 우리도 극초음속미사일 개발하고 있었다…“북한보다 기술 앞서” - 한겨레, https://www.hani.co.kr/arti/politics/defense/1026272.html
7. LTSF-DLinear 기법을 활용한 탄도탄 궤적 예측 Ballistic Missile Trajectory Prediction with - 한국군사과학기술학회, https://www.kimst.or.kr/electronic_paper/pdf_down.kin?idx=23121
8. Quantum-Assisted PINNs for Better Missile Trajectory Prediction - BQP, https://www.bqpsim.com/blogs/quantum-assisted-pinns-missile-trajectory-prediction
9. Trajectory Prediction via Bayesian Intention Inference under Unknown Goals and Kinematics - arXiv, https://arxiv.org/html/2509.24928
10. Hypersonic Vehicle Telemetry Blackout Analysis - Aerospace Research Central, https://arc.aiaa.org/doi/pdfplus/10.2514/1.A32051
11. Report from the Workshop on Communications Through Plasma During Hypersonic Flight - DTIC, https://apps.dtic.mil/sti/tr/pdf/ADA496640.pdf
12. Effect of Time-Varying Plasma Sheath on Hypersonic Vehicle-Borne Radar Target Detection | Request PDF - ResearchGate, https://www.researchgate.net/publication/351643010_Effect_of_Time-Varying_Plasma_Sheath_on_Hypersonic_Vehicle-Borne_Radar_Target_Detection
13. A Physics-Informed Neural Network for Vehicle Trajectory Reconstruction in Cut-In Scenarios with Sparse and Noisy Observations - MDPI, https://www.mdpi.com/2079-8954/14/5/535
14. What Are Physics-Informed Neural Networks (PINNs)? - MATLAB & Simulink - MathWorks, https://www.mathworks.com/discovery/physics-informed-neural-networks.html
15. Physics-Informed Neural Networks for Multi-Sensor Trajectory Prediction - ResearchGate, https://www.researchgate.net/publication/401126612_Physics-Informed_Neural_Networks_for_Multi-Sensor_Trajectory_Prediction
16. Adaptive Interactive Multiple Model for Aircraft Trajectories Prediction on the Airport Surface | Journal of Guidance, Control, and Dynamics - Aerospace Research Central, https://arc.aiaa.org/doi/10.2514/1.G008342
17. State dependent multiple model-based particle filtering for ballistic, https://discovery.researcher.life/article/state-dependent-multiple-model-based-particle-filtering-for-ballistic-missile-tracking-in-a-low-observable-environment/c4b3b08488f83f638981033cc76a3050
18. Trajectory prediction of ballistic missiles using Gaussian process error model - SciOpen, https://www.sciopen.com/article/10.1016/j.cja.2021.05.011
19. 6-DOF Atmospheric Rocket Landing Guidance using Meta-Reinforcement Learning - electronic library -, https://elib.dlr.de/210766/1/Jacopo_Carradori_Thesis_reduced.pdf
20. Modeling Missile Trajectory and Impact Dynamics with 6 Degree of Freedom Equations of Motion in Virtual Reality Simulation - Walsh Medical Media, https://www.walshmedicalmedia.com/open-access/modeling-missile-trajectory-and-impact-dynamics-with-6-degree-of-freedom-equations-of-motion-in-virtual-reality-simulati.pdf
21. Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences - arXiv, https://arxiv.org/html/2506.12029v1
22. A Neural Network Warm-Started Indirect Trajectory Optimization Method - MDPI, https://www.mdpi.com/2226-4310/9/8/435
23. Real-time Trajectory prediction for Hypersonic Glide Vehicle Based on 3-D Flight Corridor, https://www.researchgate.net/publication/353815899_Real-time_Trajectory_prediction_for_Hypersonic_Glide_Vehicle_Based_on_3-D_Flight_Corridor
24. (PDF) Maneuvering penetration strategies of ballistic missiles based on deep reinforcement learning - ResearchGate, https://www.researchgate.net/publication/360238723_Maneuvering_penetration_strategies_of_ballistic_missiles_based_on_deep_reinforcement_learning
25. I. IXTRODUCTION T H E STUDY OF differential games was initiated by Isaacs in 1954 [l]. His approach was basically formal - People, https://people.unipi.it/lorenzo_pollini/wp-content/uploads/sites/147/2019/08/ArticoliGuida.pdf
26. Differential Game Missile Guidance with Impact Angle and Time Constraints, https://skoge.folk.ntnu.no/prost/proceedings/ifac11-proceedings/data/html/papers/0805.pdf
27. Differential-Game-Based Guidance Law using Target Orientation Observations - Yaakov Oshman, https://oshman.technion.ac.il/files/2016/04/Oshman_Arad__DGL-Phi_TAES_V42_N1_2006.pdf
28. Differential Game-Based Cooperative Interception Guidance Law with Collision Avoidance, https://www.mdpi.com/2226-4310/11/9/771
29. Description: Differential Game Evading Strategy for a Flight Vehicle - Kabale University Library, https://www.library.kab.ac.ug/Record/doaj-art-2b409a5706c647f5915ad9045168aab5/Description
30. DeepMTT: A Deep Learning Maneuvering Target-Tracking Algorithm Based on Bidirectional LSTM Network | Request PDF - ResearchGate, https://www.researchgate.net/publication/333620446_DeepMTT_A_Deep_Learning_Maneuvering_Target-Tracking_Algorithm_Based_on_Bidirectional_LSTM_Network
31. Intelligent Trajectory Prediction Algorithm for Reentry Glide Vehicle via Physics-Informed Constraints and State Predictive Control - MDPI, https://www.mdpi.com/2079-9292/15/14/3132
32. Trajectory prediction in pipeline form for intercepting hypersonic gliding vehicles based on LSTM - ResearchGate, https://www.researchgate.net/publication/368554765_Trajectory_prediction_in_pipeline_form_for_intercepting_hypersonic_gliding_vehicles_based_on_LSTM
33. Deep Learning Based Missile Trajectory Prediction - ResearchGate, https://www.researchgate.net/publication/347427876_Deep_Learning_Based_Missile_Trajectory_Prediction
34. Neural networks for rarefied gas dynamics: Relaxation problem, polyatomic shock waves, and hypersonic cylinder flow | Physics of Fluids | AIP Publishing, https://pubs.aip.org/aip/pof/article/38/5/057108/3389415/Neural-networks-for-rarefied-gas-dynamics
35. (PDF) PHYSICS-INFORMED NEURAL NETWORKS (PINNs) FOR MACHINE LEARNING, https://www.researchgate.net/publication/407029054_PHYSICS-INFORMED_NEURAL_NETWORKS_PINNs_FOR_MACHINE_LEARNING
36. Physics-Informed Graph Neural Network for Flight Dynamics Modeling - MDPI, https://www.mdpi.com/2226-4310/13/5/471
37. Understanding and Mitigating Gradient Pathologies in Physics-Informed Neural - Studocu, https://www.studocu.vn/vn/document/truong-dai-hoc-fpt/introduction-to-software-engineering/understanding-and-mitigating-gradient-pathologies-in-physics-informed-neural/150946652
38. Trajectory prediction algorithm of ballistic missile driven by data and knowledge - SciEngine, https://www.sciengine.com/DETEC/doi/10.1016/j.dt.2025.02.001
39. A Review of Physics-Informed Machine Learning in Fluid Mechanics - MDPI, https://www.mdpi.com/1996-1073/16/5/2343
40. Physics-Informed Deep Learning for Trajectory Prediction and Uncertainty Quantification, https://academiccommons.columbia.edu/doi/10.7916/ae7h-er91
41. Physics-Informed Neural Predictor-Corrector Guidance for Time-Coordinated Reentry of Hypersonic Glide Vehicles - Research Square, https://assets-eu.researchsquare.com/files/rs-9996711/v1_covered_aaeecde4-0aa9-40e5-8526-a7132f4023d6.pdf
42. [2001.04536] Understanding and mitigating gradient pathologies in physics-informed neural networks - arXiv, https://arxiv.org/abs/2001.04536
43. [2304.02282] About optimal loss function for training physics-informed neural networks under respecting causality - arXiv, https://arxiv.org/abs/2304.02282
44. A trajectory-based loss function to learn missing terms in bifurcating dynamical systems - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC8516982/
45. Flight Dynamics Modeling Using Physics-Informed Neural Networks | AIAA Journal, https://arc.aiaa.org/doi/10.2514/1.J063991
46. Improved Physics-informed neural networks loss function regularization with a variance-based term - arXiv, https://arxiv.org/html/2412.13993v3
47. A Variational Framework for Residual-Based Adaptivity in Neural PDE Solvers and Operator Learning - arXiv, https://arxiv.org/pdf/2509.14198?
48. Physics-Informed Neural Predictor-Corrector Guidance for Time-Coordinated Reentry of Hypersonic Glide Vehicles - ResearchGate, https://www.researchgate.net/publication/407516397_Physics-Informed_Neural_Predictor-Corrector_Guidance_for_Time-Coordinated_Reentry_of_Hypersonic_Glide_Vehicles
49. [2508.01314] Physics-Informed Neural Network Approaches for Sparse Data Flow Reconstruction of Unsteady Flow Around Complex Geometries - arXiv, https://arxiv.org/abs/2508.01314
50. Trajectory Prediction Algorithm of Missile Based on Physics-Augmented Deep Learning, https://www.semanticscholar.org/paper/Trajectory-Prediction-Algorithm-of-Missile-Based-on-Zang-Hu/7f6d34efb33950d501d39971f06bb1c6da4e36a6
51. Evolutionary Optimization of Physics-Informed Neural Networks: Survey and Prospects, https://arxiv.org/html/2501.06572v2
52. Enhanced Trajectory Forecasting for Hypersonic Glide Vehicle via Physics-Embedded Neural ODE - MDPI, https://www.mdpi.com/2504-446X/8/8/377
53. (PDF) Enhanced Trajectory Forecasting for Hypersonic Glide Vehicle via Physics-Embedded Neural ODE - ResearchGate, https://www.researchgate.net/publication/382933207_Enhanced_Trajectory_Forecasting_for_Hypersonic_Glide_Vehicle_via_Physics-Embedded_Neural_ODE
54. Advances in Trajectory Prediction for High-Speed UAVs: A Review - MDPI, https://www.mdpi.com/2504-446X/10/7/553
55. Trajectory Optimization for Minimum Threat Exposure using Physics-Informed Neural Networks - arXiv, https://arxiv.org/html/2510.17762v1
56. [2510.17762] Trajectory Optimization for Minimum Threat Exposure using Physics-Informed Neural Networks - arXiv, https://arxiv.org/abs/2510.17762
57. Comparative analysis of PINNs, DeepONets, and spectral diagonalization for quantum tunneling in a double-well potential | Request PDF - ResearchGate, https://www.researchgate.net/publication/408869601_Comparative_analysis_of_PINNs_DeepONets_and_spectral_diagonalization_for_quantum_tunneling_in_a_double-well_potential
58. Regularizing Training of Physics Informed Neural Networks (PINNs) for Cislunar Orbit Determination via Transfer Learning - AMOS Conference, https://amostech.com/TechnicalPapers/2024/Machine-Learning-for-SDA/Badura.pdf
59. Stiff-PINN: Physics-Informed Neural Network for Stiff Chemical Kinetics - ACS Publications, https://pubs.acs.org/doi/abs/10.1021/acs.jpca.1c05102
60. Gradient Alignment in Physics-informed Neural Networks: A Second-Order Optimization Perspective - NeurIPS 2026, https://neurips.cc/virtual/2025/poster/116510
61. Understanding and Mitigating Gradient Flow Pathologies in Physics-Informed Neural Networks | SIAM Journal on Scientific Computing, https://epubs.siam.org/doi/10.1137/20M1318043
62. Data-Free PINNs for Compressible Flows: Mitigating Spectral Bias and Gradient Pathologies via Mach-Guided Scaling and Hybrid Convolutions - arXiv, https://arxiv.org/html/2603.01001v1
63. [Papierüberprüfung] Data-Free PINNs for Compressible Flows, https://www.themoonlight.io/de/review/data-free-pinns-for-compressible-flows-mitigating-spectral-bias-and-gradient-pathologies-via-mach-guided-scaling-and-hybrid-convolutions
64. Data-Free PINNs for Compressible Flows: Mitigating ... - ChatPaper, https://chatpaper.com/ja/paper/242283
65. A Physics-Informed Indirect Method for Trajectory Optimization - arXiv, https://arxiv.org/html/2402.00339v2
66. Optimality-Informed Neural Networks for Lunar Landing Trajectory Optimization - arXiv, https://arxiv.org/html/2607.02741v1
67. Physics-informed neural network for trajectory prediction and uncertainty quantification in urban air mobility | San Diego State University Digital Collections, https://digitalcollections.sdsu.edu/do/e1905348-6f10-474e-8d28-404b9407c4fd
68. Uncertainty Quantification With Noise Injection in Neural Networks: A Bayesian Perspective, https://arxiv.org/html/2501.12314v2
69. (PDF) Uncertainty Quantification via Deep Ensembles in Missile Performance Prediction, https://www.researchgate.net/publication/367313819_Uncertainty_Quantification_via_Deep_Ensembles_in_Missile_Performance_Prediction
70. Physics-Informed Neural Models for Uncertain Trajectory Prediction in Urban Air Mobility - Jun Chen - San Diego State University, https://junchen.sdsu.edu/journals/jais_26_inbaraj_chen.pdf
71. Improved uncertainty quantification for neural networks with Bayesian last layer - arXiv, https://arxiv.org/html/2302.10975v3
72. Transic: Sim-to-Real Policy Transfer by Learning from Online Correction - arXiv, https://arxiv.org/html/2405.10315v1
73. Sim-to-real Transfer of Deep Reinforcement Learning Agents for Online Coverage Path Planning - arXiv, https://arxiv.org/html/2406.04920v1
74. Sim-to-Real Transfer Methods - Emergent Mind, https://www.emergentmind.com/topics/sim-to-real-transfer-methods
75. SIM2Real Transfer - andrew.cmu.ed, https://andrew.cmu.edu/course/10-403/slides/S19sim2real.pdf
76. Complex Air Defense: Countering the Hypersonic Missile Threat - CSIS, https://www.csis.org/analysis/complex-air-defense-countering-hypersonic-missile-threat-0
77. Lieutenant General Heath A. Collins, USAF Director, Missile Defense Agency Before the Senate Armed Services Committee Strategic, https://www.armed-services.senate.gov/imo/media/doc/collins_statement.pdf
78. Complex Air Defense: Countering the Hypersonic Missile Threat - Global Sentinel, https://globalsentinelng.com/complex-air-defense-countering-the-hypersonic-missile-threat/
79. Beyond the Horizon into Space: Multi-Layered Air Defence Strategies with Aegis IAMD, https://strasam.org/en/defense/aerospace-industry/beyond-the-horizon-into-space-multi-layered-air-defence-strategies-with-aegis-iamd-4052
80. Countering Hypersonic Weapons- Threat Analysis, Defence Challenges, and Strategic Countermeasures - Unbiased Jottings on Global Maritime Issues, https://skulshrestha.net/2026/06/04/countering-hypersonic-weapons-threat-analysis-defence-challenges-and-strategic-countermeasures/
81. Hypersonics vs Layered Defence, https://defenceagenda.com/hypersonic-missiles-vs-layered-defence
82. 軍, 北 극초음속 활공체 요격 자신했지만 낙하 예측 의문 - 파이낸셜뉴스, https://www.fnnews.com/news/202201131726200033
83. 美·日, '게임체인저' 막을 '카운터펀치' 개발 속도… 韓은 “장기계획” [심층기획-극초음속 미사일 요격체계] - Daum, https://v.daum.net/v/ftfTDZ9HuH
84. 남북 '게임체인저' 극초음속 미사일 전쟁 - 주간조선, http://weekly.chosun.com/news/articleView.html?idxno=18705
85. 美 "신기루" 때려도...北 '극초음속 미사일'에 돈 쏟아붓는 이유 [이철재 밀담] | 중앙일보, https://www.joongang.co.kr/article/25373018
86. L-SAM - 나무위키, https://namu.wiki/w/L-SAM
87. Estimation of Aerodynamic Uncertainty in Missile System Using Physics-Informed Neural Network Framework - Korea Advanced Institute of Science and Technology, https://pure.kaist.ac.kr/en/publications/estimation-ofaerodynamic-uncertainty-inmissile-system-using-physi/
88. Trajectory-Based Anomaly Classification of 6-DOF Guided Missile Using Neural Networks, https://pure.kaist.ac.kr/en/publications/trajectory-based-anomaly-classification-of6-dof-guided-missile-us/