적대적 학습이 PINN의 성능을 향상시키는 시점과 이유: Neural Tangent Kernel 관점에서의 분석

물리 정보 신경망 (Physics-informed neural networks, PINNs)은 미분 방정식 (differential equations)을 위한 강력한 대리 모델 (surrogates)이지만, 스펙트럼 편향 (spectral bias), 경직성 (stiffness), 그리고 고주파 (high-frequency) 또는 다중 스케일 (multiscale) 해에 대한 낮은 정확도 문제로 인해 학습이 매우 어려운 것으로 알려져 있습니다. 최근 생성적 적대 신경망 (Generative Adversarial Networks, GANs)에 기반한 적대적 학습 (Adversarial training)이 학습을 개선하는 데 있어 놀라울 정도로 강력한 경험적 결과를 얻고 있으나, 그 근저에 있는 메커니즘은 여전히 불분명합니다. 이를 위해, 우리는 GAN의 판별기 (discriminator)가 PINN의 학습 역학 (training dynamics)에 어떻게 영향을 미칠 수 있는지에 대한 핵심적인 관찰을 바탕으로, 적대적으로 학습된 PINN을 위한 새로운 분석 프레임워크를 제안합니다. 이 프레임워크는 먼저 적대적 학습이 PINN에서 왜, 그리고 언제 효과적인지에 대한 절실히 필요했던 이론적 근거를 제공하고, 이어서 해당 학습에서의 GAN 변형 모델들에 대한 통합된 분석을 제시하며, 마지막으로 PINN을 위한 새롭고 실용적이며 효율적인 학습 알고리즘을 도출합니다. 실험 결과에 따르면, 우리의 방법은 PINN 학습의 병리적 현상 (pathology)을 크게 줄일 수 있으며, 이를 통해 기존의 다른 방법들보다 종종 수 자릿수(several magnitudes) 더 정확하고 우수한 성능을 가진 더 나은 모델을 제공할 수 있음을 입증합니다.