편미분 방정식 (PDEs)의 물리 정보 기반 학습 (Physics-informed learning)은 다층 퍼셉트론 (MLPs)이 주도해 왔으나, 이들의 스펙트럼 편향 (spectral bias)과 조밀한 파라미터화 (dense parameterization)는 정확도와 해석 가능성을 모두 제한합니다. Kolmogorov-Arnold Networks (KANs)는 학습 가능한 스플라인 활성화 함수 (spline activations)가 고전적 이산화의 조각별 다항식 기저 (piecewise-polynomial bases)와 구조적으로 일치하기 때문에 이러한 제한 사항을 완화합니다. 그러나 PDE를 손실 함수 (loss functional)로 구성하는 방식은 근사기 (approximator)의 선택만큼이나 결정적입니다. 강형식 잔차 최소화 (strong-form residual minimization)는 고차 미분과 높은 가중치가 부여된 손실을 요구하며, 에너지 (Bubnov-Galerkin) 형식은 자기 수반 연산자 (self-adjoint operators)로 제한되고, 우리가 보여주듯 파라미터 식별 (parameter-identification) 문제에서는 자명한 해 (trivial solution)로 붕괴하며, 경계 적분 형식 (boundary integral forms)은 알려진 기본 해 (fundamental solution)를 필요로 합니다.

우리는 시도 공간 (trial space)은 KAN이고 테스트 공간 (test space)은 Gauss-Legendre quadrature로 평가되는 독립적이고 컴팩트하게 지지된 (compactly supported) 조각별 다항식 공간인 Petrov-Galerkin 정식화에 기반한 물리 정보 기반 KAN인 PG-KINN을 제안합니다. 부분 적분 (Integration by parts)은 미분 차수를 낮추는 동시에 일반적인 비자기 수반 (non-self-adjoint), 비선형 (nonlinear) 및 역문제 (inverse problems)에 대한 적용 가능성을 유지합니다. 국소화된 테스트 함수 (localized test functions)는 전역 잔차 (global residual)를 유리한 조건 (favorable conditioning)을 가진 일련의 요소별 약잔차 (element-wise weak residuals)로 변환합니다. 균열 특이점 (crack singularities), 응력 집중 (stress concentration), Neo-Hookean 초탄성 (hyperelasticity), 불균질 매질에서의 역파라미터 식별 (inverse parameter identification), 그리고 복잡한 기하학적 구조를 아우르는 벤치마크 세트에서 PG-KINN은 기존의 MLP 베이스라인과 최첨단 KAN 기반 강형식/에너지/역형식 (PIKAN) 정식화들을 일관되게 능가합니다. 이러한 결과는 KAN 시도 공간과 다항식 테스트 공간의 Petrov-Galerkin 결합이 AI 기반 계산 역학 (computational mechanics)을 위한 강력하고 정확한 경로임을 입증합니다.