불완전한 조상으로부터 물리 학습하기

Neural operators는 매개변수 편미분 방정식(parametric partial differential equations)을 저렴하게 평가하지만, 훈련 분포를 벗어나면 급격히 성능이 저하됩니다. Physics-informed neural networks (PINN)는 레이블링된 데이터에 대한 의존성을 피하지만, 최적화 과정이 영역 불안정성(basin-fragile)을 가질 수 있습니다. 즉, 지배 잔차(governing residual)가 여러 해를 허용할 때, 처음부터 훈련된 PINN은 작은 잔차를 달성했음에도 불구하고 물리적으로 부정확한 상태로 수렴할 수 있습니다. 우리는 이러한 실패 모드를 함께 해결할 수 있음을 보여줍니다: 불완전한 NO는 PINN을 올바른 해 영역(solution basin)에 위치시키는 데 필요한 구조적 사전 정보(structural prior)를 제공하며, PDE 잔차는 연산자의 정확도를 넘어 솔루션을 정제합니다. 우리는 물리 정보를 담은 NO의 공간 기저(spatial basis)를 고정하고, 다항식 연속성 사전 정보(polynomial continuation prior)를 사용하여 이를 분포 외 매개변수(out-of-distribution parameter)로 외삽하며, 그 결과로 얻은 필드를 새로운 PINN에 증류하는 3단계 프레임워크를 소개합니다. NO가 목표 지점에서 정확할 필요는 없습니다; 이는 솔루션 가지 정보(solution-branch information)를 전달하고, PINN에서의 PDE 잔차 최소화가 수렴을 관장합니다. 우리는 이 프레임워크를 세 가지 비선형 PDE에 대해 평가했습니다: 1D 점성 Burgers 방정식, 포크 분기점 근처의 2D 정상 Allen-Cahn 방정식, 그리고 2D 정상 뚜껑 구동 공동 유동(lid-driven cavity flow)입니다. Allen-Cahn의 경우, 자명한 해가 PDE 잔차를 정확히 만족시키므로 표준 PINN은 자명한 영 가지로 붕괴하는 반면, 거친 외삽 연산자로부터 증류된 결과는 유한 차분 참조와 일치하는 비자명한 가지를 복구합니다. 공동 유동의 경우, Reynolds 수 Re = 3200으로 외삽하면 올바른 물리적 상태로의 수렴 속도가 빨라지며, 최근 문헌의 기준선보다 적은 파라미터와 최적화 단계를 사용하여 경쟁력 있는 정확도를 달성합니다. 이러한 결과는 간단한 원칙을 확립합니다: NO가 유용하기 위해 솔루션을 정확하게 예측할 필요는 없으며, PINN 최적화가 이를 복구할 수 있는 올바른 영역을 식별하기만 하면 됩니다.