과도 궤적(transient trajectories)을 사용할 수 없을 때 정상 상태(steady-state) 관측값으로부터 상호작용 구조를 추론하는 것은 핵심적인 역문제(inverse problem)입니다. 본 연구에서는 이 문제를 이종 섭동(heterogeneous perturbations)에 의해 생성된 평형 제약 조건들과 단일 상호작용 연산자 간의 동시 적합성 문제로 정식화합니다. 미지의 연산자를 학습 가능한 객체로 표현하고 여러 실험에 걸쳐 발생하는 정상 상태 잔차를 최소화하는 변분 물리 정보 기반 안자츠(variational physics-informed ansatz)를 소개합니다. 아핀 상호작용(affine-interaction) 설정에서 누적된 평형 방정식들은 명시적인 유한 표본 식별 가능성 조건을 산출하며, 고유한 복원은 실험별 게이지 자유도(gauge freedom)를 제거한 후의 적합성 행렬 순위에 의해 결정됩니다. 쌍별(pairwise), 방향성, 가중치, 경험적 위상 및 선별된 고차 시스템에 대한 합성 벤치마크는 이러한 식별 가능성 양상을 입증하며, 명시된 가정 하에 추가적인 이종 정상 상태들이 어떻게 구조적 식별력을 향상시키는지 보여줍니다. 이러한 결과는 지배 역학(governing dynamics)이 알려져 있고 노드(node) 수준의 평형이 완전히 관측될 때, 평형 관측값만으로도 은닉된 상호작용 연산자를 결정할 수 있는 구체적인 정상 상태 복원 영역을 명확히 제시합니다.
희소한 측정값으로부터 시공간적 물리 장(spatiotemporal physical field)을 생성하고 예측하는 것은 관측 데이터가 완전한 장에 대한 분포를 특성화하기에 불충분하기 때문에 어려운 과제입니다. 이는 전체 장 데이터셋(full-field dataset)에 의존하는 기존 데이터 기반 확산 모델(diffusion model)의 한계로 작용합니다. 본 논문에서는 지배 방정식과 공간적으로 희소한 관측값을 결합하여 타당한 복수의 장을 생성하는 물리 정의 확산 프레임워크인 PhysDEM을 소개합니다. 첫째, 측정값 조건부 가우스 기준(measurement-conditioned Gaussian reference)을 편미분 방정식(PDE) 잔차 에너지로 재가중하여 깁스 타깃(Gibbs target)을 구성합니다. 둘째, 디노이징을 표준화된 에너지 유도 평균 보정에 대한 지도 학습으로 환원하는 정확한 조건부 평균 항등식을 유도합니다. 셋째, 물리 변위 확률 흐름(physics-displacement probability flow)을 통해 가우스 기준 항을 상쇄하고, 재학습 없이 가우스 조건화를 통해 측정값 변화에 대응하는 상각 샘플링(amortized sampling)을 가능하게 합니다. 합성 PDE 시스템 및 실제 환경 기반 응용에 대한 실험을 통해 PhysDEM이 일관된 장 복원과 효율적인 샘플링을 지원하면서 테스트된 노이즈 수준에서도 안정적인 진단을 유지함을 입증하여, 장 평가에 대한 실용적 가치를 보여줍니다. 우리가 아는 한, PhysDEM은 사전에 구축된 전체 장 데이터셋 없이도 상각된 시공간 장 추론(inference)을 가능하게 하는 최초의 물리 정의 확산 모델(model)입니다.
다공성 재료—자연적이거나 인공적인—는 광물 탐험 및 타이트 셰일에서의 탄화수소 회수와 같은 과정을 지배하는 이중 기공 네트워크 구조를 종종 나타낸다. 이중 다공성/투과성(double porosity/permeability, DPP) 수학 모델은 상호작용하는 두 기 pore 네트워크를 통한 비압축성 유체 흐름과 네트워크 간 질량 교환을 기술한다. 수치 방법에서 상당한 진전이 있었음에도, 신속한 예측, 데이터 동화, 그리고 신뢰할 수 있는 역해석을 가능하게 하는 계산 프레임워크에 대한 필요가 남아 있다. 이를 위해 DPP 계의 순방향 및 역모델링을 위한 물리 정보 신경망(PINN) 프레임워크를 제시한다. 제안된 접근법은 지배 방정식을 혼합 형식으로, 경계 조건과 함께, 손실 함수에 직접 인코딩하며, 각 항의 기여를 균형시키기 위한 적응형 가중치 전략을 사용한다. 프레임워크의 핵심 특징으로는 적응형 가중치 조정, 동적 collocation point 선택, 이중 기공 네트워크의 결합 거동을 효율적으로 포착하기 위한 공유 trunk 신경망 구조의 사용이 포함된다. 이 방법은 본질적으로 mesh-free이며, 다공성 매체에서 흔한 복잡한 기하에 잘 맞다. 층상 영역에서 해 필드의 불연속성을, 고전적 유한요소 formulation에서 흔히 관찰되는 spurious oscillation을 도입하지 않고 정확히 포착한다. 중요하게, 이 프레임워크는 역해석에 잘 적합하여, DPP 모델의 질량 전달 계수와 같이 핵심 물리량을 직접 측정하기 어려운 시나리오에서 견고한 매개변수 식별을 가능하게 한다. 또한 방법의 안정성, 정확도, 신뢰성을 엄밀히 평가하기 위한 체계적인 수렴 분석을 제공한다. 접근법의 효과와 계산상 이점은 일련의 대표적인 수치 실험을 통해 입증된다.
항공 과도 전자기(ATEM) 데이터로부터 지전기 구조 정보를 추출하는 작업은 주로 데이터 처리와 역산을 포함한다. 기존 방법은 경험적 매개변수 선택에 의존하므로, 높은 노이즈 수준의 복잡한 현장 데이터를 처리하기 어렵다. 또한 역산 계산은 시간이 많이 소요되며, 종종 다수의 국소 최솟값 문제에 직면한다. 기존 심층 학습 기반 접근법은 데이터 처리 단계를 분리하며, 독립적으로 학습된 디노이징(denoising) 네트워크는 후속 역산의 신뢰성을 보장하기 어렵다. 더욱이, end-to-end 네트워크는 해석 가능성이 부족하다. 이러한 문제를 해결하기 위해, 분리 표현 학습(disentangled representation learning)에 기반한 통합적이고 해석 가능한 심층 학습 역산 패러다임이 제안된다. 네트워크는 노이즈가 있는 데이터를 노이즈 요인과 신호 요인으로 명시적으로 분해하고, 신호 요인을 기반으로 전체 데이터 처리 워크플로를 완료하여 네트워크를 더욱 신뢰할 수 있고 해석 가능하게 만든다. 또한 물리적 제약이 학습 과정에 통합되어 역산 결과의 물리적 일관성과 신뢰성을 향상시킨다. 현장 데이터에 대한 역산 결과는 본 방법이 노이즈가 있는 데이터를 직접 사용하여 지하 전기 구조를 정확하게 재구성할 수 있음을 보여주며, 이를 통해 ATEM 데이터 처리를 위한 통합적이고 해석 가능하며 물리적 제약을 갖춘 역산 패러다임을 확립한다.
확산 모델(diffusion model)을 사전 분포로 활용하는 베이지안 역문제에서 기기 응답 파라미터와 노이즈 파라미터를 함께 추정하는 Hyper-G-DPS 방법을 제안하며, G-DPS의 깁스(Gibbs) 구조와 마르코프 조건부 독립성을 활용해 사후 샘플링과 불확실성 정량화를 MCMC로 수행한다. MNIST 실험을 통해 추정값의 품질과 계산 효율성을 확인하였다.
확산 모델(diffusion model)을 사전 분포로 활용하는 비적정(ill-posed) 선형 역문제에서 사후 샘플링을 수행하기 위해 깁스(Gibbs) 알고리즘 기반의 G-DSP 샘플러를 제안하며, 순방향·역방향 확산 pdf를 교대로 활용하는 간단한 구조로 수렴 보장과 함께 기존 DPS, SMC 기반 방법 대비 효과적인 성능을 수치 실험으로 확인한다.