eafit.edu.co

이 이메일 도메인이 관측된 논문 1건

arXiv:2512.12074v2cs.LG

무한 영역에서의 샘플링 전략 및 물리 정보 기반 콜모고로프-아놀드 네트워크 평가

Evaluation of Sampling Strategies and Physics-Informed Kolmogorov--Arnold Networks in Unbounded Domains

물리 정보 기반 신경망(PINN)은 학습(training) 과정에 물리 법칙을 통합함으로써 편미분 방정식(PDE)을 해결하는 효과적인 접근 방식으로 부상했습니다. 그러나 유한한 수의 학습 점으로 비유계(unbounded) 영역을 표현하는 것의 어려움으로 인해, 무한 및 반무한 영역에 대한 적용은 여전히 난제로 남아 있습니다. 본 연구는 무한 영역에서의 역(inverse) PDE 문제를 위한 물리 정보 기반 학습 전략을 평가하며, 균등(uniform), 가우시안(Gaussian), 지수(exponential) 분포 기반 샘플링 전략의 영향과 PINN 프레임워크 내에서 기존 다층 퍼셉트론(MLP) 및 콜모고로프-아놀드 네트워크(KAN)의 활용에 초점을 맞춥니다. 제안된 벤치마크는 무한 및 반무한 영역에서의 인공적인 역문제를 고려하여 재구성 정확도와 계산 효율성에 대한 정량적 평가를 가능하게 합니다. 실험 결과에 따르면 명시적 분포 매개변수로 제어되는 가우시안 및 지수 샘플링은 원거리 장(far field)에서의 재구성 정확도를 향상시키며, 문제 특화된 사전 지식을 학습에 임베딩(embedding)하는 직접적인 메커니즘을 제공합니다. 에지 기반 함수 표현이 콜모고로프-아놀드 표현 정리에 기반한 PIKAN은 더 적은 뉴런을 요구하면서도 MLP 기반 PINN의 정확도와 일치하거나 이를 능가하지만, 스플라인 기반 공식화로 인해 학습, 추론(inference), 도함수(derivative) 계산의 연산 비용이 증가합니다.