Lie 대칭(Lie symmetry)을 모델 구조에 직접 내재화하여 편미분 방정식(PDE)을 구조적으로 정확히 만족하도록 초기-경계값 문제(IBVP)를 푸는 LieSolver를 제안하며, 이를 통해 PDE 손실 항 없이 경계 조건만으로 최적화하여 물리 정보 신경망(PINNs) 대비 속도와 정확도 모두에서 우수한 성능을 달성한다.
Cahn-Hilliard 방정식으로 기술되는 이원 혼합물의 상 분리 미세구조 진화를 학습하기 위해 어텐션 기반 물리 기반 합성곱 신경망(CNN) 대리 모델을 제안한다. 임계·비임계 혼합물 모두에서 장시간 롤아웃에도 조성을 보존하며 안정적으로 예측하고, 도메인 크기 성장을 Lifshitz-Slyozov 영역 성장 법칙과 일치하게 포착한다.
이방성 항복 함수를 식별하는 것은 항복 현상이 전장(full-field) 역학 측정에서 직접 관측되지 않고, 방향성 보정에 다수의 하중 방향이 필요할 수 있으며, 적절한 해석적 형태를 선택하는 것이 쉽지 않기 때문에 여전히 어렵습니다. 본 연구는 응력 관측, 소성 변형률 측정, 직접적인 항복 표면 데이터, 또는 미리 규정된 매개변수화된 항복 함수 없이, 전장 변위 데이터와 반력 데이터로부터 항복 함수를 발견하기 위한 물리 정보 기반 프레임워크를 제안합니다. 이 프레임워크는 직접적인 응력 공간 감독(supervision) 대신, 탄소성 응력 적분 내부의 역학적으로 제약된 구성 요소로서 항복 함수를 식별합니다. 항복 함수는 가정된 인장-압축 대칭성을 부과하면서 볼록성과 1차 양의 동차성을 강제하는 볼록 신경망(neural network)으로 표현되며, 이 신경망 항복 함수는 다양한 하중 사례에 걸쳐 미분 가능한 응력 업데이트와 물리 정보 기반 힘 평형 손실(loss)을 사용하여 학습됩니다. 제안된 프레임워크는 von Mises, Hill 1948 및 Yld2000-2d 항복 함수를 사용한 유한 요소(FE) 벤치마크 연구를 통해 검증되었으며, 항복 윤곽 일치도, 변위 노이즈 민감도, 소성 활성 응력 상태를 통한 식별 가능성, 인식적 불확실성 및 다항식 대리 모델 배치를 평가했습니다. 본 연구는 식별된 구성 요소를 탄소성 응력 적분 구조 내에 유지하면서 변위 및 힘 데이터로부터 이방성 항복 함수를 발견하기 위한 역학적 제약 경로를 제공합니다.
시공간 역학의 고충실도 시뮬레이션은 계산 비용이 과도하여, 거친 입도의 입력으로부터 고해상도 데이터를 재구성할 수 있는 효율적인 초해상도 기술이 필요합니다. 전통적인 데이터 기반 방법은 종종 물리적 제약이 부족하며, 단순한 물리 정보 기반 학습은 불규칙한 공간 기하학적 구조와 복잡하게 진화하는 시간적 역학을 다루는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 불규칙한 기하학적 구조에서의 시공간 초해상도를 위한 물리 기반 증강 Koopman 향상 그래프 합성곱 네트워크(P-K-GCN)를 제안합니다. 구체적으로, 거친 그래프(coarse graph)로부터 공간 의존성을 직접 추출하도록 연속적인 스플라인 기반 GCN을 먼저 설계하고, 시간적 진행이 선형화되는 압축된 잠재 공간으로 비선형 역학을 사영하기 위해 Koopman 연산자 이론을 통합했습니다. 둘째, 예측 충실도와 견고성을 높이기 위해 데이터 기반 재구성이 물리 법칙을 준수하도록 강제하는 물리 기반 손실(loss)을 통해 최적화 목적함수를 증강했습니다. 마지막으로, 엄밀한 이론적 분석을 제공하여 물리 증강과 Koopman 정규화(regularization)가 Rademacher 복잡도를 감소시키고 일반화 경계를 강화함으로써 수학적으로 초해상도 오차의 감소를 보장함을 입증했습니다. 본 프레임워크는 희소한 저해상도 측정값으로부터 3D 심장 기하학적 구조 전반에 걸쳐 공간적으로 고해상도인 심장 전기 역학을 재구성하는 작업에서 평가되었습니다. 수치 실험 결과, 제안하는 방법이 기준선(baseline) 모델 대비 우수한 정확도를 달성함을 확인했습니다.
물리 정보 PDE 학습을 위해 좌표를 학습 가능한 광학 위상으로 인코딩하고, 다광자 Fock-space 간섭과 광자수 측정으로 해를 디코드하는 photonic quantum neural field를 제안한다. 타원·파동·비선형 분산·역문제 등 7개 벤치마크에서 잔차 미분이 위상 불일치를 증폭하는 난이 구간에선 고전 기준선 대비 최대 약 10배 낮은 오차를 학습 파라미터 약 1/4로 달성하며, 학습된 간섭과 Fock 확률 판독의 안정성이 핵심 요인으로 확인된다.
결정립 성장 예측을 위한 머신러닝(ML) 모델은 일반적으로 이상화된 합성 데이터로 학습되지만, 실제 응용에서는 학습 분포 외부의 조건으로의 일반화가 필요합니다. 본 연구는 실험적 미세구조, 이봉 결정립 크기 분포를 특징으로 하는 미세구조, 그리고 비정상 결정립 성장을 포함한 세 가지 테스트 케이스에 걸쳐 이전 연구에서 학습된 모델의 분포 외(OOD) 일반화 능력을 평가했습니다. 물리 정보 기반 아키텍처 설계가 이러한 다양한 조건에서 견고성을 향상시킬 수 있는지 추가로 조사하기 위해, 결정립 성장에 특화되어 어텐션을 결정립 경계 픽셀로 제한하는 경계 마스킹 어텐션 메커니즘을 제안했습니다. 기준선 모델과 제안된 물리 정보 기반 어텐션 모델 모두 OOD 데이터에 대한 재학습이나 미세조정 없이 평가되었습니다. 두 모델 모두 세 가지 테스트 케이스에 성공적으로 일반화되었으나, 경계 마스킹 어텐션 메커니즘은 상당한 개선을 제공했습니다. 가장 두드러진 향상은 이봉 결정립 크기 분포를 특징으로 하는 미세구조에서 나타났으며, 여기서 구조적 유사성 지수 측정(SSIM)은 \num{0.6221}에서 \num{0.7609}로 향상되었고 평균 결정립 크기($\overline{R}$) 오차는 \SI{8.75}{\percent}에서 \SI{3.57}{\percent}로 감소했습니다. 어텐션 히트맵 분석 결과, 경계 마스킹 어텐션 모델은 곡률 구동 결정립 성장 물리와 일치하는 방식으로 큰 결정립 경계에 어텐션을 집중하도록 학습되었음이 밝혀졌으며, 이는 아키텍처에 명시적으로 인코딩되지 않고 학습 과정에서 창발된 것입니다. 이러한 결과는 합성 데이터로 학습된 모델이 재학습 없이 다양한 OOD 조건으로 일반화될 수 있음을 나타내며, 경계 형태가 학습 도메인과 일치할 때 물리 정보 기반 어텐션이 정확도를 향상시킬 수 있음을 시사합니다.
우리는 PDE 유형의 주변(ambient) 데이터에 대해 기하학적 잠재 역학을 정규화하는 변분 자동인코더(VAE)를 위한 리만(Riemannian) 접근법을 개발하며, 이를 VAE-DLM, 즉 동역학적 잠재 다양체(manifold)를 갖는 VAE라고 부른다. 인코더와 디코더가 구성하는 중간 잠재 공간에서, 우리의 기하 흐름에 따르는 유클리드 공간에 임베딩된 다양체 기하학을 학습하도록 VAE 프레임워크를 재구성한다. 잠재 공간이 진화하는 기하 흐름을 맞춤 설계함으로써, 우리가 선택한 잠재 기하학적 성질을 유도하며, 이는 실증적 성능에 반영된다. 사전분포(prior)에 대한 신중한 선택과 함께 전통적인 증거 하한(ELBO) 손실을 재공식화한다. 정상 상태 정규화 항을 갖는 선형 기하 흐름을 개발한다. 이 흐름은 시간 도함수 하나에 대한 자동 미분만 필요하며, 물리 정보 기반(physics-informed) 접근법으로 중간 정도의 고차원에서 풀 수 있어, 더 표현력 있는 잠재 표현을 가능하게 한다. 이 흐름이 그래디언트 흐름으로 공식화될 수 있으며, 계량(metric) 특이점으로부터 엔트로피를 유지한다는 점을 논의한다. 고유값(eigenvalue) 페널티 조건과 함께, 이는 다양체가 측도(measure) 면에서 충분히 크고, 비퇴화(nondegenerate)하며, 정규(canonical) 기하학을 갖도록 보장하는 데 기여하여, 강건한 표현(representation)에 기여한다. 우리의 방법은 다양체 인코더-디코더를 위해 tanh 활성화를 갖는 수정된 다층 퍼셉트론(MLP) 아키텍처에 초점을 맞춘다. 관심 데이터셋에서 우리의 방법은 전통적인 VAE만큼 잘 수행되며, 종종 더 나은 성능을 보인다. 우리의 방법은 이를 및 우리가 제안한 아키텍처를 갖춘 VAE를 능가할 수 있으며, 선택된 데이터셋에서 분포 밖(OOD) 오류를 15%에서 35%까지 자주 줄인다. 후기 시간에 최소한의 변화를 유지하는 해를 갖는 주변 PDE에서 우리의 방법을 강조한다. VAE를 통한 외부 역학에 대한 강건 학습을 어떻게 개선할 수 있는지에 대한 실증적 근거를 제공한다.
연안 비디오 스트림에서 파도의 첨두 주기를 직접 추정하기 위해 물리적 정보 기반 정규화와 Sim-to-Real 전이 학습을 결합한 시공간 딥러닝 프레임워크를 제안한다. 트랜스포머 기반 모델은 순간 예측 정확도에서, 경량 순환-합성곱 모델은 시간적 안정성과 운용적 기술에서 각각 우수한 성능을 보였다.
신경 연산자(neural operator)는 편미분 방정식(PDE)의 해 매핑(solution mapping)을 함수 공간(function space)에서 직접 학습하는 강력한 프레임워크를 제공한다. 그러나 많은 기존 아키텍처는 여전히 다중 스케일 구조, 장거리 상호작용, 안정적인 장기간 시간 진화를 포함하는 비선형 시간 의존(time-dependent) 시스템을 표현하는 데 어려움을 겪는다. 본 연구에서는 지역 컨볼루셔널 표현, 전역 스펙트럴 연산자, 계층적 인코더-디코더 처리를 결합한 신경 연산자 아키텍처인 계층적 적응형 다중 스케일 신경 연산자(HAMNO)를 제안한다. HAMNO의 핵심 구성 요소는 각 공간 위치에서 지역 정보와 전역 정보를 적응적으로 균형 맞추는 데이터 의존 게이팅(gating) 메커니즘으로, 모델이 미세 스케일 특징을 분해하면서 장거리 의존성을 유지할 수 있게 한다. 또한 데이터 적합과 강형(strong-form) 및 약형(weak-form) 물리 제약을 결합한 다목적 손실 전략에 기반한 물리-정보 확장인 PI-HAMNO를 개발한다. 강형 항은 물리 좌표에서 영역 적분된 PDE 잔차(residual)의 제곱을 페널티로 부과하고, 약형 항은 지배 잔차에 유한요소(finite-element) 시험 함수를 곱한 뒤 중심점 기반 사면체(tetrahedral) 구적법(quadrature)으로 결과 요소 적분을 계산하여 구성한다. 이 프레임워크는 입방 영역(cubic domain)에서 정의된 비주기(non-periodic) Allen-Cahn(AC), Cahn-Hilliard(CH), Swift-Hohenberg(SH) 방정식에 대해 평가된다. 장기간 롤아웃, 데이터 제한 학습, 분포 밖(out-of-distribution) 초기 조건 변화, 무작위 시드 변화 전반에 걸쳐 HAMNO는 표준 신경 연산자 베이스라인 대비 예측 정확도를 향상시키며, PI-HAMNO는 안정성, 물리적 일관성, 데이터 효율성을 더욱 개선한다. 구현은 https://github.com/MBamdad/HAMNO 에서 공개되어 있다.
정확하고 확장 가능한 홍수 매핑은 제한된 지상 관측, 이질적인 지형 조건, 그리고 데이터 기반 모델 내에서 유체역학적 일관성을 강제하기 어렵다는 점으로 인해 여전히 어려운 과제이다. 본 연구는 다중 모달 원격 탐사(Sentinel-1 SAR, Sentinel-2 광학 영상, DEM 기반 지형 특징)를 깊이 평균 천해수 방정식(SWE)의 제약과 통합하는 물리 유도 심층 학습 프레임워크를 제안한다. 제안된 하이브리드 아키텍처는 세밀한 공간적 세부를 포착하기 위한 UNet과 유역 규모 수리학적 상호작용을 모델링하기 위한 Fourier Neural Operator(FNO)를 결합하며, 물리 정보 잔차 손실이 질량 및 모멘텀 일관성을 보장한다. 다양한 범람원 환경에서 평가한 결과, 하이브리드 모델은 침수 범위 예측에서 Intersection over Union(IoU) 0.82와 F1 점수 0.90을 달성하여 UNet 단독 및 FNO 단독 기준선을 능가했다. 유체역학 시뮬레이션을 참조 데이터로 사용할 때, 모델은 수심에 대해 RMSE 0.21 m, 유속에 대해 0.15 m/s의 RMSE를 달성했다. 물리적 일관성은 유지되며, 잔차가 낮고 질량 불균형은 2.1% 미만이다. 절제 연구(ablation study)는 물리 기반 정규화를 제거하면 성능이 크게 저하됨을 확인하여, 안정성과 일반화를 위한 물리적 제약의 가치를 강조한다. 이러한 결과는 유체역학 원리를 심층 학습에 내재화하면 더 정확하고 신뢰할 수 있으며 물리적으로 일관된 홍수 예측을 얻을 수 있음을 보여 주며, 운영 모니터링 및 대규모 배포에 큰 잠재력을 제공한다.