그린 적분 기반 신경망 솔버로 고주파 물리 문제 해결

기존의 물리 정보 신경망(Physics-Informed Neural Networks, PINNs)은 이질 매체(heterogeneous media)에서 높은 진동 특성을 가진 헬름홀츠(Helmholtz) 방정식을 시뮬레이션하는 데 근본적인 어려움을 겪어왔습니다. 이는 두 번째 차수 편미분 방정식(second-order PDE) 잔차를 점별로 최소화하는 방식이 계산적으로 비효율적일 뿐만 아니라, 해를 부드러운 방향으로 편향시키고 인공 흡수 경계층(artificial absorbing boundary layers)을 요구하기 때문입니다.

본 연구는 이러한 문제를 해결하기 위해 음향 헬름홀츠 방정식에 대한 그린 적분 (Green-Integral, GI) 신경망 솔버를 도입했습니다. 이 접근법은 PDE 잔차 기반의 공식화에서 벗어나, 비국소적(nonlocal) 제약을 부과하는 적분 표현을 통해 파동 물리학 자체를 강제합니다. 핵심적으로, 진동 거동과 외부 방사(outgoing radiation) 특성이 적분 커널에 직접 인코딩되어 두 번째 공간 미분을 제거하고 추가적인 경계층 없이 물리적 해를 구현할 수 있게 합니다.

이 GI 손실을 신경망으로 최적화하는 과정은 스펙트럼적으로 조정된 전처리 반복(spectrally tuned preconditioned iteration) 역할을 수행하여, 고전적인 Born 급수(classical Born series)가 발산하는 이질 매체에서도 수렴을 가능하게 합니다. 또한, FFT 기반 컨볼루션(FFT-based convolution)을 활용하여 GI 손실 평가를 가속화함으로써 GPU 메모리 사용량과 훈련 시간을 대폭 줄였습니다.

다만, 이러한 효율성은 고정된 규칙 격자(fixed regular grid)에 의존하기 때문에 국소 해상도(local resolution)가 제한될 수 있습니다. 따라서 연구진은 강한 산란 영역(strong scattering regions)에서 국부적인 정확도를 개선하기 위해 GI 손실과 함께 소수의 비균일하게 샘플링된 콜로케이션 지점(collocation points)에서의 경량 헬름홀츠 잔차를 적용하는 하이브리드 GI+PDE 손실을 제안했습니다.

세이즈닉 벤치마크 모델(seismic benchmark models)을 사용하여 구조적 대비와 서브파장 이질성(subwavelength heterogeneity)을 특징으로 하는 최대 20Hz의 주파수까지 방법을 평가한 결과, GI 기반 훈련은 PDE 기반 PINNs보다 일관되게 우수한 성능을 보였으며 계산 비용을 10배 이상 절감했습니다. 특히 국소 산란이 발생하는 모델에서는 하이브리드 손실 방식이 가장 정확한 재구성을 제공하며, 안정적이고 효율적이며 물리적으로 근거가 있는 대안임을 입증했습니다.