물리 정보 신경망 (Physics-informed neural networks, PINNs)은 미분 방정식 (differential equations)을 풀기 위해 머신러닝 (machine learning)과 물리 법칙을 결합합니다. 기존의 결과들은 PINN 예측 오차에 대한 엄격한 사후 (a posteriori) 상한 (upper bounds)을 제공하지만, 완전한 인증 (certification)을 위해서는 계산 가능한 양방향 오차 포괄 (two-sided error enclosures)을 얻기 위한 상호 보완적인 하한 (lower) 정보가 필요합니다. 본 논문에서는 국소적 강한 단조성 (localized strong monotonicity) 조건 하에서 적절한 인증된 상태 공간 도메인 (certified state-space domains) 내 상미분 방정식 (ordinary differential equations, ODEs)에 대한 PINN 오차의 계산 가능한 사후 (a posteriori) 하한 (lower bounds)을 도출합니다. 우리는 이러한 추정치를 일방향 Lipschitz (one-sided Lipschitz) 조건 하의 상호 보완적인 국소적 상한 (localized upper bounds)과 결합합니다. 이 조건은 이전 연구에서 사용된 전역 Lipschitz (global Lipschitz) 가정보다 약하며, 더 날카로운 오차 상한 대역 (upper error bands)을 생성할 수 있습니다. 결과적으로 도출된 경계는 신경망 근사 (neural-network approximation), ODE 잔차 (ODE residual), 그리고 국소적 단조성 (local monotonicity) 및 성장 상수 (growth constants)에만 의존하므로, 정확한 해 (exact solution)에 접근할 필요가 없습니다. 선형 시불변 (linear time-invariant) 및 시변 (time-varying) 시스템의 경우, 시스템 행렬의 대칭 부분의 최소 및 최대 고유값 (eigenvalues)을 사용하여 명시적인 공식을 추가로 도출합니다. 또한 우리는 PINN에서 초기 조건 (initial conditions)의 소프트 (soft) 및 하드 (hard) 강제 (enforcement) 사이의 차이점을 논의하고, 왜 정확한 강제가 스칼라 하한 인증 (scalar lower certificate)을 정보가 없는 상태로 만들 수 있는지 설명합니다. 선형 설정에서 유의미한 하한 정보를 회복하기 위해, 우리는 좌표 단위 벡터 (coordinate unit vectors)에 기반한 부호 잔차 유한 프로브 인증 (signed-residual finite-probe certificate)을 사용합니다. 우리는 또한 전파된 상한 인증 (propagated upper certificate)이 보조 정규화 항 (auxiliary regularizer)으로 사용되는 반면, 하한 인증 (lower certificates)은 훈련 후 진단 (post-training diagnostics)으로 남는 인증 정보 기반 훈련 전략 (certificate-informed training strategy)을 공식화합니다. 종합적으로, 제안된 프레임워크는 ODE의 PINN 근사에 대해 엄격하고 실질적으로 계산 가능한 오차 인증 (error certificates)을 제공하는 동시에, 가정을 검증할 수 있는 도메인과 모델 클래스를 명시적으로 나타냅니다.