물리정보 신경망(Physics Informed Neural Networks, PINN)의 현황과 전망

Abstract

편미분방정식(Partial Differential Equation, PDE)에 수치 이산화를 적용하여 다중물리(multi-physics) 문제를 시뮬레이션하는 데 큰 진전이 있었음에도 불구하고, 메쉬(mesh)를 활용한 기존 알고리즘은 여전히 잡음이 있는 데이터를 잘 처리하지 못한다. 기존 PDE 해석 알고리즘은 메쉬 생성이 여전히 복잡하며 매개변수화된 PDE로 제어되는 고차원 문제를 해결할 수 없다. 더욱이, 역문제(inverse problems)를 다루는 것은 엄청나게 비싸고 다른 공식과 정교한 컴퓨터 코드가 필요하다. 물리정보 신경망(Physics-Informed Neural Network, PINN)은 PDE와 같은 문제의 지배 방정식을 신경망의 일부로 인코딩하는 신경망이다. PINN은 몇 가지 방법이 존재하는 PDE 해법에서 발생하는 선형 시스템 계산을 포함하여 다양한 도전 과제를 해결하기 위한 새로운 필수 도구로 떠오르고 있다. 심층 신경망을 훈련하려면 빅데이터가 필요하며 과학적 문제에 항상 사용할 수 있는 것은 아니지만 기계학습은 유망한 대안으로 떠오르고 있다. 기계학습에 물리학을 포함하는 일반적인 추세를 검토하고 현재 기능과 제한 사항 중 일부를 제시하며 물리정보 학습의 다양한 적용에 대해 살펴보고자 한다.