유한차분 PDE 솔버의 적응형 격자 세분화를 위한 물리 정보 잔차 (Physics-Informed Residuals)

고전적인 유한차분 (finite-difference) 솔버는 편미분 방정식 (PDE)을 위한 신뢰할 수 있는 도구로 남아 있지만, 그 효율성은 격자 해상도 (mesh resolution)가 어디에 배치되느냐에 따라 달라집니다. 해의 난이도가 급격한 기울기 (gradients), 전선 (fronts), 진동 (oscillations) 또는 제약 조건에 민감한 영역 근처에 국부적으로 집중될 때, 균일한 세분화 (uniform refinement)는 자유도 (degrees of freedom)를 낭비할 수 있습니다. 본 논문은 물리 정보 신경망 (PINN)을 최종 솔버로 사용하는 것이 아니라, 적응형 격자 세분화 (adaptive mesh refinement, AMR)를 위한 격자 외 잔차 탐침 (off-grid residual probe)으로 사용하는 하이브리드 전략을 연구합니다. PINN 잔차 (residual)를 도메인 전체에서 샘플링하고, 이를 셀 단위 지표 (cellwise indicators)로 변환하여, 유한차분 솔버에 의해 최종 근사치가 계산되기 전에 세분화를 안내하는 데 사용합니다. 이 방법은 세 가지 벤치마크를 통해 평가되었습니다. 주요 전체 솔버 검증에는 1차원 점성 Burgers 방정식 (viscous Burgers equation)을 사용하였으며, 적응된 격자 위에서 비균일 유한차분 계산을 수행했습니다. PINN-threshold 세분화는 60개의 자유도로 0.021067의 최종 상대 $L^2$ 오차를 달성한 반면, 192개의 자유도를 사용하는 균일 세분화의 오차는 0.022617였습니다. 동일한 격자 크기에서 PINN-threshold는 오차를 약 67.5% 줄입니다. PINN-D"orfler 세분화는 58개의 자유도를 사용하여 0.021264의 오차를 기록하며 유사한 성능을 보입니다. 기울기 지표 (gradient indicator)가 여전히 약간 더 정확하므로, 이 결과는 보편적인 우월성보다는 유용성을 뒷받침합니다. 비선형 Schrödinger 방정식 (nonlinear Schrödinger equation)과 비압축성 Navier--Stokes 시스템 (incompressible Navier--Stokes system)에 기반한 제조된 2D 및 3D 프록시 테스트는 PINN 잔차가 구조화된 세분화를 구성할 수 있고 무작위 세분화보다 개선될 수 있음을 보여주지만, 기울기 또는 균일 베이스라인을 일관되게 능가하지는 않습니다. 이러한 결과는 PINN 가이드 AMR이 고전적인 솔버를 최종 근사 엔진으로 유지하면서, 물리 정보 진단 정보를 유한차분 격자 적응으로 전달하는 잔차 지표 (residual-indicator) 전략으로서 유효함을 뒷받침합니다.