[논문] PDE 제약 역문제에서 Adjont 방법과 물리‑정보 신경망 비교

출처: arXiv - 2606.12337v1

개요

편미분 방정식(PDE)으로 기술되는 역문제는 계산역학의 핵심이며, 일반적으로 인접 기반 최적화로 해결됩니다. 반면 물리 기반 신경망(PINN)은 유연한 대안으로 부상했습니다. 두 접근법은 종종 서로 다른 수식, 파라미터화, 최적화기, 정규화 선택 하에서 비교되기 때문에 상대적인 성능을 평가하기 어렵습니다. 우리는 PDE 제약 역문제에 대해 인접 최적화와 PINN을 공정하게 비교합니다. 공통된 추상 수식에서 시작해 두 방법을 동일한 영역, 지배 방정식, 관측 모델, 정규화 항에 적용하고, 가능한 경우 최적화기, 미지 파라미터화, 연산 정밀도를 일치시켰습니다. 벤치마크에는 비정상 버거스 방정식, 잡음이 섞인 다르시 투과성 역추정, 3차원 Allen–Cahn 반응 식별, 비정상 Navier–Stokes 점도 식별이 포함됩니다. 결과는 미지 변수의 표현 방식이 선호 방법을 크게 좌우한다는 것을 보여줍니다: 격자 기반 필드는 이산 인접에 유리하고, 신경망 기반 표현은 PINN에 자연스럽게 맞으며 폐쇄 및 물성 모델링에 적합합니다. 시간 의존 문제에서는 인접 역추정이 궤적 저장 및 미분에 의해 비용이 크게 늘어날 수 있는 반면, PINN은 낮은 비용으로 만족스러운 재구성을 제공합니다. PINN으로 워밍업한 인접 전략은 비용을 크게 줄이면서 인접 수준의 정확도를 회복합니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다.

• math.NA
• cs.LG

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 math.NA 분야의 발전에 기여합니다.

저자

• Zhen Zhang
• Alessandro Alla
• George Em Karniadakis

논문 정보

• arXiv ID: 2606.12337v1
• 카테고리: math.NA, cs.LG
• 출판일: 2026년 6월 10일
• PDF: PDF 다운로드