Physics-Informed Broad Learning System을 이용한 편미분 방정식의 범용 근사 학습
Learning universal approximations for partial differential equations with Physics-Informed Broad Learning System
편미분 방정식(PDEs)은 복잡한 물리, 생물, 공학 시스템을 모델링하는 데 중추적인 역할을 합니다. 전통적인 수치 솔버는 견고하지만 메쉬 의존성으로 인해 과도한 계산 비용이 드는 경우가 많은 반면, 최근의 물리 정보 신경망(PINNs)은 메쉬 프리(mesh-free) 대안을 제공하지만 종종 느린 수렴과 최적화 불안정성 문제를 겪습니다. 이러한 격차를 해소하기 위해 본 논문은 Physics-Informed Broad Learning System (PIBLS)를 제안합니다. PIBLS는 편미분 방정식 풀이를 직접적인 최소제곱 최적화로 재구성하는 새로운 역전파 없는(backpropagation-free) 프레임워크입니다. 우리는 이 프레임워크 내의 알고리즘을 개선하여 비선형 편미분 방정식을 효율적으로 처리할 수 있도록 했으며, 이러한 방정식에 대한 PIBLS의 범용 근사 성질을 확립하는 엄밀한 수학적 증명을 제공합니다. 선형 및 비선형 편미분 방정식에 대한 실험 결과, PIBLS는 기존 PINNs보다 1~3자릿수(orders of magnitude) 더 빠르면서도 훨씬 높은 해 정확도를 달성하는 것으로 나타났습니다. 이 프레임워크는 과학적 기계 학습을 위한 계산 효율적인 패러다임을 제공하며, 실시간 시뮬레이션 및 설계 최적화 작업을 위한 실용적이고 고속인 대안을 제공합니다.