국소화된 고강도 소스 항을 갖는 문제들을 위한 적응형 웨이블릿 기반 물리 정보 신경망

최근 몇 년간 미분방정식을 해결하기 위해 물리 정보 신경망 (Physics-Informed Neural Networks, PINNs) 이 상당한 관심을 받아 왔지만, 신경망에 내재된 스펙트럴 편향 (spectral bias) 과 다중 규모 현상에서 비롯되는 손실 불균형이라는 두 가지 근본적인 한계에 직면해 있습니다. 본 논문은 국소화된 고강도 소스 항 (localized high-magnitude source terms) 을 특징으로 하는 문제들의 극단적인 손실 불균형을 해결하기 위해 적응형 웨이블릿 기반 PINN (Adaptive Wavelet-based PINN, AW-PINN) 을 제안합니다. 이러한 문제는 열 처리, 전자기학, 충격 역학 및 국소화된 강제력을 포함하는 유체 역학 등 다양한 물리적 응용 분야에서 자주 발생합니다. 제안된 프레임워크는 잔차와 감독 손실에 기초하여 웨이블릿 기저 함수를 동적으로 조정합니다. 이 적응적 특성으로 인해 AW-PINN 은 고규모 특징을 갖는 문제를 효과적으로 처리하면서도 메모리 집약적이지 않습니다. 또한, AW-PINN 은 손실 함수에 포함된 도함수를 얻기 위해 자동 미분 (automatic differentiation) 에 의존하지 않아 훈련 과정을 가속화합니다. 해당 방법은 초기 고정된 기저를 사용하여 물리적으로 관련 있는 웨이블릿 계열을 선택하는 짧은 사전 학습 (pre-training) 단계와, 전체 도메인 전반에 걸쳐 고해상도 기저를 채우지 않고 규모와 번역을 조정하는 적응적 정제 (adaptive refinement) 단계를 포함하여 두 단계로 작동합니다. 이론적으로, 우리는 특정 가정 하에서 AW-PINN 이 가우시안 프로세스 극한 (Gaussian process limit) 을 가지며 이에 상응하는 NTK 구조를 유도함을 보여줍니다. 우리는 극단적인 손실 불균형 비율이 최대 $10^{10}:1$ 에 달하는 국소화된 고강도 소스 항을 특징으로 하는 여러 도전적인 편미분방정식 (PDEs) 에서 AW-PINN 을 평가했습니다. 과도 열 전도, 매우 국소화된 푸아송 문제, 진동류 방정식 및 점전하 소스를 갖는 맥스웰 방정식을 포함한 이러한 PDEs 전반에 걸쳐, AW-PINN 은 기존同类 방법들보다 일관되게 우수한 성능을 발휘합니다.