S$^{2}$-PINN: 확률적 분리 물리 정보 신경망

랜덤 편미분 방정식(PDE)에 대한 불확실성 정량화(UQ)는 전산 과학 및 공학 분야에서 광범위하게 사용됩니다. 하지만 이 문제 유형을 위한 고전적인 스펙트럴 솔버는 차원의 저주(curse of dimensionality)에 직면하며, 기존의 신경망 솔버들은 모멘트와 보정(calibration)을 다루기 쉽게 만드는 확률적 구조를 종종 무시합니다. 본 논문에서는 학습 가능한 가우시안 공간 딕셔너리, 푸리에 시간 특징(Fourier temporal features), 그리고 일반화된 다항식 카오스(gPC) 확률 기저로 구성되고, 저랭크 Canonical Polyadic (CP) 텐서 분해 코어로 결합된 확률적 분리 물리 정보 신경망인 S$^{2}$-PINN을 소개합니다. 이 방법은 하이브리드 강형식 및 gPC-투영 잔차 손실(residual loss)로 학습됩니다. 우리의 이론적 분석에 따르면, 가분리 클래스는 온건한 조건 하에서 $L^2$ 공간에서 밀도(dense)를 이루며, 투영된 잔차는 정확히 확률적 Galerkin 제약 조건에 해당합니다. 나아가, 미니 배치 투영 계수들이 gPC 모드 수에 대해 로그적으로 의존하며, 직교성 페널티가 학습된 공간 딕셔너리의 조건(conditioning)을 제어한다는 것을 보여줍니다. 네 가지 제작된 랜덤 PDE 벤치마크를 사용하여, S$^{2}$-PINN이 적은 매개변수를 사용하면서도 평균 및 분산 정확도는 물론 보정 측면에서도 아홉 개의 베이스라인보다 우수함을 입증합니다. 또한, 비제작형 포아송(Poisson) 및 다아시(Darcy) 문제, 확률적 나비에-스토크스(Navier--Stokes) 문제, 고차원 랜덤 차원에 대한 확산 스케일링 연구, 그리고 두 가지 확률적 역문제에 대한 추가 평가는 제안된 구조의 일반화 능력을 보여줍니다. 종합적으로 이러한 결과들은 물리 정보 신경망 UQ를 위한 효과적인 설계 원칙으로서 확률적 분리성(stochastic separability)을 뒷받침합니다. 실험 코드는 https://github.com/DMax1314/s2pinn에서 확인할 수 있습니다.