PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27739v1cs.LG

MENO: 메모리 효율적 신경 연산자

MENO: Memory-Efficient Neural Operator

우리는 Manifold Function Encoder(MFE)를 기반으로 한 고성능 편미분방정식(PDE) 신경 솔버로서 Memory-Efficient Neural Operator(MENO)를 제안한다. MENO는 세 가지 주요 장점을 갖는다. (1) MENO는 다른 널리 쓰이는 아키텍처 대비 메모리 사용량이 현저히 작고 학습 속도가 훨씬 빠르며, 메모리 사용량이 데이터 해상도와 무관하므로 대규모 모델로의 스케일링 가능성을 지닌다. (2) MENO는 임의의 기하학적 영역과 임의의 이산화를 포함하여 임의 형태의 PDE 입력을 받을 수 있다. 특히 입력 함수와 출력 해가 서로 다른 매니폴드上에 정의되는 cross-geometry 시나리오, 즉 기하학 간 설정을 처리할 수 있다. (3) MENO는 강한 일반화 능력을 보이며, 문헌에 보고된 결과와 비교했을 때 우리가 테스트한 대부분의 벤치마크에서 최고 정확도를 달성한다. 코드는 https://github.com/jpzxshi/MENO 의 GitHub에서 제공되며, 본 논문의 모든 수치 예제는 보고된 결과를 재현하기 위해 단일 명령으로 실행할 수 있다.

arXiv:2606.18305v2math.NA

Starter-Iterator Neural Operator: 고충실도 순방향 및 역 PDE 문제를 위한 통합 아키텍처

Starter-Iterator Neural Operator: A Unified Architecture for High-Fidelity Forward and Inverse PDE Problems

연산자 학습(operator learning)은 머신러닝과 과학 계산의 교차점에서 부상하는 분야이다. 함수 공간 사이의 사상을 학습함으로써 신경 연산자(neural operators)는 편미분방정식(PDE) 계열에 대한 데이터 기반 대리 모델(surrogate model)을 제공한다. 학습이 끝나면 이러한 모델은 해 연산자(solution operator)를 효율적으로 평가할 수 있어, 실시간 예측 및 매개변수 스윕(parameter sweep)과 같은 다중 쿼리(many-query) 응용에 적합하다. 그러나 복잡한 순방향 및 역 문제에 대해 높은 근사 정확도와 안정적인 장기 예측을 유지하는 것은 여전히 어렵다. 이러한 과제를 해결하기 위해, 고전적 반복 솔버의 초기화 및 잔차 보정(residual-correction) 구조를 신경 연산자 학습에 통합하는 Starter-Iterator Neural Operator(SINO)를 제안한다. 주파수 영역 Starter는 지배적인 전역 스펙트럴 특성을 포착하고 정보에 기반한 초기 근사를 제공하며, 잠재 공간(latent-space) Iterator는 연속적인 잔차 기반 보정을 적용하여 국소 및 다중 스케일 해 구조를 정교화한다. Navier-Stokes 및 음향 파동 방정식을 포함한 대표적인 시간 의존 PDE, 이미지 초해상(image super-resolution), 일기 예보(weather forecasting) 응용에 대한 실험은 SINO가 본 연구에서 고려한 벤치마크 전반에 걸쳐 경쟁력 있는 정확도와 안정적인 성능을 달성함을 보여준다.

arXiv:2609.23023v1cs.AI

PINNForge: 대규모 언어 모델을 통한 PDE 해법을 위한 물리 정보 신경망(PINN)의 실행 기반 진화적 설계

PINNForge: Execution-Grounded Evolutionary Design of Physics-Informed Neural Networks for PDE Solving via Large Language Models

물리 정보 신경망(PINN)은 네트워크 표현, 샘플링, 손실 구성, 최적화에 걸친 조율된 선택을 요구하며, 효과적인 구성은 편미분 방정식(PDE)마다 크게 달라지는 경우가 많다. 기존 자동 PINN 설계 방법은 후보 구성을 탐색할 수 있지만, 실제 학습 과정에서 드러나는 정보는 여전히 주로 평가에 쓰일 뿐 이후 설계를 개선하는 데 활용되지 않아 반복적인 시행착오와 학습 예산의 비�효율적 사용을 낳는다. 우리는 실행 피드백 기반 자동 PINN 설계를 위한 LLM 구동 진화 프레임워크인 PINNsForge를 제안한다. PINNsForge는 PDE 관련 사전 지식으로부터 다양한 후보 구성을 생성하고, 실제 학습을 통해 이를 평가한 뒤, 고성능 설계와 누적된 실행 증거를 LLM에 다시 제공한다. 관측된 최적화 거동을 안내로 삼아 LLM은 결합된 PINN 설계 구성 요소를 정교화·재결합·탐색하며, 생성, 실행, 피드백, 진화의 지속적 순환을 이룬다. 일회성 탐색이나 평가만을 위한 피드백과 달리 PINNsForge는 학습 경험을 목표 PDE에 대한 개선된 설계 결정으로 점진적으로 전환한다. 25개 PDE 벤치마크에서 PINNsForge는 RoPINN, PINNsFormer, PINNsAgent와 비교하여 24개 과제에서 최저 평균 MSE를 달성한다. 절제(ablation) 연구는 PDE 지식 베이스, 실행 피드백, 진화 탐색의 중요성을 추가로 확인한다. 이 구성 요소들을 제거하면 각각 전체 PINNsForge 대비 평균 MSE가 3.74배, 12.10배, 10.10배로 증가한다.

arXiv:2607.06369v2math.OC

딥 리츠 방법을 활용한 고차원 정상 슈뢰딩거 방정식의 특징 학습

Feature Learning for the High Dimensional Stationary Schödinger Equation with Deep Ritz Method

딥 리츠 방법(deep Ritz method) 프레임워크에서 고차원 정상 슈뢰딩거 방정식을 풀기 위한 뉴럴 네트워크의 특징 학습 메커니즘을 이론적으로 분석하며, 단일 인덱스 모델에서 리만 경사하강법이 O(log(1/ε)) 반복 내에 근사적 전역 최솟값에 수렴함을 증명한다. 또한 두 뉴런 다중 인덱스 모델에서 정규화 강도에 따라 두 번째 특징 벡터가 어떻게 출현하는지 특성화하고, 수치 실험으로 이를 검증한다.

arXiv:2607.06479v1cs.AI

이중재료 시스템에서의 탄성동역학 파동 전파를 위한 물리 정보 신경망 프레임워크

A Physics-Informed Neural Network Framework for Elastodynamic Wave Propagation in Bimaterial Systems

물리 정보 신경망(PINN)을 이용해 강철-알루미늄 이중재료 시스템의 과도 탄성동역학 파동 전파를 모델링하는 프레임워크를 제안하며, Navier-Lamé 방정식과 계면 조건을 손실 함수에 직접 통합하여 ANSYS 유한요소 해석과 높은 일치도를 달성했다. 학습된 모델은 추가 시뮬레이션 없이 미지의 시간 순간과 새로운 재료 물성에 대한 파동 응답도 정확히 예측하는 연속 대리 모델로 기능한다.

arXiv:2606.27354v1cs.LG

오류 조건화 신경 솔버

Error-Conditioned Neural Solvers

기존 하이브리드 PDE 솔버는 PDE 잔차를 최적화 목표로 삼아 계산 비용이 크고, ill-conditioned 계에서는 잔차가 낮아도 재구성 정확도가 보장되지 않는 한계가 있다. ENS(Error-Conditioned Neural Solvers)는 매 반복마다 PDE 잔차 필드를 네트워크 입력으로 직접 전달해 오류의 공간 구조를 읽고 예측을 수정하는 갱신 정책을 학습하며, 네 가지 PDE 계열에서 대부분 최고 정확도(난류 Kolmogorov flow에서 최대 10배)를 더 낮은 비용으로 달성하고 분포 이동·제로샷 매개변수 변경·방정식 간 전이에서도 일반화한다.