Physics-Informed Neural Embeddings of PDE Solution Families
멀티헤드 Physics-Informed Neural Network(PINN)을 이용해 편미분방정식(PDE) 해 패밀리의 유한 차원 잠재 다양체(latent manifold)를 학습하는 프레임워크를 제안하며, 헤드 직교화 페널티로 잠재 표현의 퇴화를 제거한다. 1차원 점성 버거스 방정식에 적용한 결과, 잠재 차원 20 중 단 2~4개의 주성분이 분산의 약 95%를 포착하는 효과적인 차원 축소가 나타났으며, 푸리에 셸(Fourier shells) 기반 스펙트럴 분해를 통해 독립적인 학습 실행 간 재현 가능한 해 다양체 기하 구조 관측량을 확립한다.