mat.ucm.es

이 이메일 도메인이 관측된 논문 1건

arXiv:2606.19368v1math.NA

물리 정보 기반 제어 문제에서 함수적 사전으로서의 신경망 아키텍처

Neural Architectures as Functional Priors in Physics-Informed Control Problems

본 연구에서는 상미분 방정식으로 지배되는 제어 문제에서 암묵적 함수적 사전(implicit functional priors)으로서의 신경망 아키텍처의 역할을 조사합니다. 고도로 복잡한 문제에 초점을 맞추는 대신, 우리의 목표는 물리적으로 해석 가능한 가장 간단한 설정 내에서 제어 동적 시스템(controlled dynamical systems)에서 아키텍처 의존적 효과를 조사하는 것입니다. 구체적으로, 우리는 제어된 선형 RLC 전기 회로와 비선형 Duffing형 동적 시스템을 연구합니다. 두 시스템 모두 먼저 고전적인 최적 제어 공식을 통해 분석되고, 이후 PINN(Physics-Informed Neural Networks) 기반 접근 방식을 통해 분석됩니다. 우리는 다층 퍼셉트론(MLP)과 Fourier 기반 KAN(Kolmogorov-Arnold Networks) 유사 아키텍처의 다양한 조합을 비교하고, 결과적으로 생성되는 제어에 미치는 영향을 분석합니다. 수치 실험에 따르면, 동일한 지배 방정식, 손실 함수(loss functionals), 초기 및 목표 상태, 학습(training) 파라미터, 물리적 제약 조건 하에서도 서로 다른 아키텍처 선택은 체계적으로 질적으로 뚜렷한 제어를 생성하는 것으로 나타났습니다. 학습된 솔루션의 스펙트럼 구조, 평활성(smoothness), 에너지 분포 및 위상 공간 행동에서 유의미한 차이가 나타납니다. 본 연구의 핵심 관찰 결과는 신경망 아키텍처가 학습된 제어의 구조를 형성할 수 있는 충분한 자유를 가질 때 함수적 특화(functional specialization) 현상이 나타난다는 것입니다. 더 구체적으로 말하면, 여기서 고려한 시스템에서 Fourier 기반 아키텍처는 더 풍부한 진동 성분을 포함하는 궤적을 생성하는 경향이 있는 반면, 더 평활한 저주수 편향(low-frequency-biased) 아키텍처는 더 규칙적이고 에너지 효율적인 제어를 생성하는 경향이 있습니다. 이는 제어 문제의 서로 다른 함수적 구성 요소가 서로 다른 신경망 아키텍처에 의해 더 효율적으로 처리될 수 있음을 시사하며, 이는 상태 표현과 제어 생성 사이의 암묵적 특화로 이어집니다.