편미분 방정식 (PDE) 발견은 데이터로부터 물리 시스템을 지배하는 법칙을 식별하는 것을 목표로 합니다. 과학적 발전의 초석을 구성하는 이 분야는 지난 10년 동안 빠르게 진화하는 물리 정보 기반 머신러닝 (Physics-informed Machine Learning, PiML) 분야에서 주요 연구 분야가 되었습니다. 이 영역에서 해결해야 할 남아 있는 문제들 중, 발견된 PDE의 사후 평가 (post-hoc evaluation)는 다각적이라는 특유의 어려움을 제기합니다. 실제로 이는 예측 정확도 (predictive accuracy), 물리적 일관성 (physical consistency), 해석 가능성 (interpretability), 그리고 분포 외 일반화 능력 (out-of-distribution generalization capacity)을 공동으로 고려할 것을 요구합니다. 이러한 속성 중 일부는 서로 충돌할 수 있다는 점을 고려할 때, 기존의 광범위한 평가 지표들이 전체적인 문제를 부분적으로만 다루고 있으며, 이는 추정된 새로운 물리 이론의 타당성에 대해 과도하게 해석된 결론으로 이어질 잠재적 위험이 있다는 점에 주목할 가치가 있습니다. 머신러닝 (machine learning), 수치 해석 (numerical analysis), 정보 이론 (information theory) 또는 심볼릭 회귀 (symbolic regression)를 아우르는 풍부한 문헌을 바탕으로, 저희는 저희가 아는 한 PDE 평가 지표에 대한 최초의 분류 체계 (taxonomy)를 제안하며, 그 장점과 한계점을 심도 있게 논의합니다. 평가는 종종 사례별로 이루어지며 보편적으로 수용되는 방법론이 여전히 모호하다는 관찰을 바탕으로, 저희는 이 분야의 유망한 미래 연구 방향을 스케치하기에 앞서 표준화되고 신뢰할 수 있는 관행을 촉진하기 위한 권장 사항을 추가로 제공합니다. 저희는 이 논문이 새로운 PDE 발견 알고리즘을 설계하는 ML 전문가들과, 실제 응용 분야에서 근거가 확실한 과학 법칙을 발견하고 검증하고자 하는 이 방법론의 사용자들 모두를 대상으로 함을 밝힙니다.