PINNsur: 곡면 위 편미분 방정식(PDEs)을 위한 물리 정보 신경망 (Physics-Informed Neural Networks)

곡면(surfaces)에서의 편미분 방정식 (PDEs)은 과학적 계산(scientific computing)과 기하학적 처리(geometry processing)의 근간이 됩니다. 곡면에서 PDEs를 해결하는 대중적인 접근 방식은 유한 요소법 (FEM)으로, 이는 곡면을 이산적인 기하학적 요소(보통 삼각형)로 나누는 방식입니다. 최근에는 물리 정보 신경망 (PINNs)이 FEM의 메시 품질(mesh quality)에 대한 민감도나 기하학적 이산화 오류 (geometric discretization errors) 문제로부터 자유로운, 연속적이고 메시가 없는 (mesh-free) 대안으로 부상했습니다. 우리는 곡면에서 PINNs를 사용하기 위한 간단한 프레임워크인 PINNSur을 제시합니다. 우리는 곡면의 법선 (normals)을 근사하도록 신경장 (neural field)을 학습시킨 다음, $\mathbb{R}^3$에서 곡면으로의 투영 (projection)을 사용하여 곡면 미분 연산자 (surface differential operators)를 표현합니다. 모든 방향 가능한 다양체 (orientable manifold)는 잘 정의된 법선을 가지므로, 우리의 방법은 곡률 (curvature)이나 위상 (topology)에 관계없이 그러한 모든 곡면에 적합하며, 많은 기하학적 처리 응용 분야를 가능하게 합니다. 더욱이, 평평한 유클리드 도메인 (Euclidean domains)에서 PDEs를 해결하는 데 있어 경험적인 성공을 거두었음에도 불구하고, PINNs는 기저 PDE의 실제 해로의 수렴성 보장 (convergence guarantees)이 부족하며, 이러한 수렴성을 입증하는 체계적인 실험적 증거도 제한적입니다. 이러한 격차는 실제 해로의 수렴이 잘 이해되어 있고 이론적으로 근거가 확립된 FEM과 같은 기존 방법들과 비교했을 때, PINNs가 신뢰할 수 있는 솔버 (solvers)로서 채택되는 것을 제한합니다. 이러한 곡면 PDEs는 수렴성 있게 해결하기가 특히 까다로운데, 함수 근사 (function approximation)의 수렴뿐만 아니라 곡면 자체의 기하학적 근사 (geometric approximation)의 수렴도 함께 다루어야 하기 때문입니다. 본 연구에서는 간단한 경험적 수렴 테스트를 도입함으로써, 곡면 PDEs를 해결하기 위한 PINNs의 수렴 동작 (convergence behavior)을 경험적으로 조사합니다.