물리 정보 신경망 (Physics-informed neural networks, PINNs)은 학습 과정에 물리적 원리를 임베딩함으로써 편미분 방정식 (Partial differential equations, PDEs)을 해결하는 효과적인 방법을 제공합니다. 그러나 모든 제약 조건을 복합 손실 (Composite loss) 내의 소프트 패널티 항 (Soft penalty terms)으로 부과하는 전통적인 PINN 공식은 최적화 지형 (Optimization landscape)의 열악한 컨디셔닝 (Conditioning)으로 인해 종종 느린 수렴, 손실 가중치 스케일링에 대한 민감성, 그리고 부정확한 경계 강제 (Boundary enforcement) 문제를 나타냅니다. 이러한 한계를 해결하기 위해, 본 연구는 적응형 손실 가중치 (Adaptive loss weighting)를 갖춘 통합 하드-소프트 물리 정보 신경망 (Hard--soft physics--informed neural network, HSPINN)을 제안합니다. 이 프레임워크에서 디리클레 (Dirichlet) 및 주기적 경계 조건 (Periodic boundary conditions)은 해석적 또는 다항식 리프팅 (Analytical or polynomial lifting), 마스킹 함수 (Masking functions), 그리고 주기적 특징 매핑 (Periodic feature mappings)을 통해 구조적으로 정확하게 강제되는 반면, 지배 방정식 PDE 잔차 (PDE residuals), 노이만 플럭스 (Neumann fluxes), 그리고 초기 조건 (Initial conditions)은 소프트 제약 조건 (Soft constraints)으로 취급됩니다. 역공유 소프트맥스 (Inverse-share softmax) 전략은 학습 과정 동안 개별 손실 구성 요소의 상대적 중요도를 동적으로 균형 있게 조절하여, 수동 패널티 튜닝을 제거하고 그래디언트 안정성 (Gradient stability)을 향상시킵니다. 이 공식은 최적화 전 과정에서 경계 허용성 (Boundary admissibility)을 보장하며 수렴 효율성과 수치적 강건성 (Numerical robustness)을 높입니다. 대표적인 타원형 (Poisson), 포물선형 (Burgers), 그리고 쌍곡선형 (주기적 경계가 있는 대류) 문제에 대한 적용을 통해, HSPINN이 기존 PINN보다 일관되게 더 빠른 수렴, 더 높은 정확도, 그리고 더 큰 안정성을 달성함을 입증하였으며, 과학 및 기술 전반에 걸쳐 물리 제약 딥러닝 (Physics-constrained deep learning)을 위한 일반적이고 확장 가능한 토대를 구축하였습니다.