PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

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:2607.14563v1cs.LG

저해상도 및 노이즈가 있는 변위 데이터로부터 이질적 탄성 특성을 추정하는 확률적 물리-정보 신경망

Probabilistic Physics-Informed Neural Networks for Estimating Heterogeneous Elastic Properties from Low-Resolution and Noisy Displacement Data

저해상도 변위 측정값으로부터 공간적으로 이질적인 탄성 특성을 추정하는 문제는 심각하게 ill-posed한 역 탄성학 문제이다. 저해상도는 이질적 물성 변화를 구분하는 데 필요한 공간적 세부 정보를 가려 버리며, 작은 측정 섭동이나 피팅 오류가 역추정 과정에서 증폭되기 때문이다. 기존 역방법들은 종종 고정밀 관측과 수동으로 사전 지정된 손실 가중치에 의존하여 적응성을 제한하고, 노이즈와 해상도 저하에 민감하게 만든다. 우리는 노이즈가 있고 저해상도인 변위 데이터로부터 영률(Young's modulus)과 포아송 비(Poisson's ratio)를 강건하게 추정하기 위한 확률적 역 탄성 물리-정보 신경망(PIE-PINN) 프레임워크를 제안한다. PIE-PINN은 통합된 확률적 모델 내에서 Laplace 분포를 사용하여 변위 관측, 변형률 불일치, 및 평형 잔차를 모델링한다. 강건성을 높이기 위해, 이 프레임워크는 B-spline 기반 변위 신경망과 변위 잔차 스케일을 위한 계층적 half-Cauchy 모델을 결합한다. B-spline은 변위장의 매끄러운 전역 표현을 제공하고, 신경망 보정은 국소 변화를 포착한다. 계층적 스케일 모델은 심각한 변위 피팅 오류의 가중치를 적응적으로 낮춰 잠재 평균 변위장의 보다 강건한 복원을 가능하게 한다. 교대식 최대 가능도 학습 전략은 가중 잔차 최소화를 통해 평균을 갱신하고, 손실 가중치를 조정하기 위해 스케일을 갱신한다. 다양한 노이즈 수준과 관측 해상도에 걸친 체계적인 사례 연구는 PIE-PINN의 강건성을 입증한다.

arXiv:2607.12409v1cs.LG

PINN을 이용한 바인딩 테이프 적용 낙하산 현수선 전개의 기계적 분석

Mechanical Analysis of Parachute Suspension Line Deployment with Binding Tapes Using PINN

낙하산은 항공, 우주항공 및 구조 임무에서 널리 사용됩니다. 낙하산 전개의 초기 단계인 현수선 추출과 펴기는 이후 팽창 과정의 원활한 수행을 직접적으로 좌우합니다. 이 초단기 과정에는 복잡한 동적 하중 변화가 관여합니다. 기존 연구 대부분은 현수선 장력을 계산하기 위해 상미분방정식의 수치 적분을 사용하지만, 이 방법은 현수선의 임의 위치에서 장력 값을 신속히 얻는 데 한계가 있습니다. 본 논문은 현수선 추출 및 펴기 과정에서의 장력 예측을 위한 물리 정보 신경망(PINN) 알고리즘을 개발하며, 이는 계산 효율성과 수치 정확도 측면에서 기존 적분 방법보다 우수한 성능을 보입니다. 또한 바인딩 테이프 매개변수가 현수선 동적 장력에 미치는 조절 법칙을 조사합니다. 비행 시험 데이터 및 기존 수치 결과와의 비교 검증을 통해 제안된 PINN 프레임워크의 신뢰성과 유효성을 입증합니다.

arXiv:2607.12271v1cs.LG

이질적 지하에서 지열 열교환기 지하 시뮬레이션을 위한 해석-PINN 하이브리드 모델

A hybrid analytical-PINN model for subsurface simulation of geothermal heat exchangers in heterogeneous underground

본 논문에서는 특이 소스로서의 보어홀 열교환기(BHE)를 포함한 이질적 토양 열 문제를 풀기 위한 매개변수 물리 정보 신경망(PINN)을 개발한다. 현재 프레임워크에는 세 가지 새로운 특징이 있다. 즉, (i) 해석적 선원 모델을 사용하여 특이점을 자연스럽게 제거하고, (ii) 그래디언트 열전도도의 명시적 공식화를 통해 전도도를 특징으로 하는 매개변수화의 물리 정보 학습이 가능하며, (iii) 학습된 보정이 중첩 원리를 통해 효율적인 보편 보정자로 활용된다. 먼저 온도 변화의 분해를 도입하고, 전체 이질적 응답의 근사를 실제 해와 이상화된 균질 근사 사이의 차이를 보상하는 보정으로 변환한다. 이를 통해 델타 함수 특이점이 제거되고, 신경망의 효과적인 학습을 촉진하기 위해 벌크 열전달이 포착된다. 원 문제는 이어서 균질 초기 조건을 갖는 지배 보정 확산 또는 대류-확산 방정식으로 재공식화된다. 토양 이질성을 모델링하기 위해 선형적으로 변화하는 열전도도를 사용한다. 단위 열 추출률을 갖는 단일 보어홀에 대한 보편 보정자를 근사하기 위해 물리 정보 신경망을 제안한다. 그 결과, 적응적으로 선택된 학습 점에서 샘플링된 전도도 매개변수에 대해 평가되는 물리 정보 및 데이터 기반 손실 함수를 최소화함으로써 신경망이 학습된다. 또한 소스에 관한 위치 지시 함수를 신경망의 특징 입력으로 포함하며, 이것이 신경망이 국소 정보를 처리하는 데 도움이 됨을 확인한다. 세 가지 서로 다른 해석 모델을 기반으로 제안 방법의 효과를 보이기 위해 수치 시험을 수행한다.

arXiv:2603.08465v3cs.LG

MUSA-PINN: 복잡한 기하학에서의 유체 흐름을 위한 다중 스케일 약형식 물리 정보 신경망

MUSA-PINN: Multi-scale Weak-form Physics-Informed Neural Networks for Fluid Flow in Complex Geometries

물리 정보 신경망(PINN)은 메시 없이 유체 흐름 PDE를 풀 수 있는 접근법을 제공하지만, 표준 점별 잔차 최소화는 삼중 주기 최소 곡면(Triply Periodic Minimal Surfaces, TPMS)과 같은 위상학적으로 복잡한 영역에서 수렴 병리를 겪는다. 점별 제약의 국소성 바이어스는 구불구불한 채널을 통해 전역 정보를 전파하지 못해 불안정한 기울기와 보존 법칙 위반을 일으킨다. 이를 해결하기 위해 우리는 Navier-Stokes 방정식 제약을 계층적 구형 제어체적에 대한 적분 보존 법칙으로 재공식화하는 다중 스케일 약형식 PINN(MUSA-PINN)을 제안한다. 제어 표면에서 플럭스 균형 잔차를 통해 연속성과 모멘텀 보존을 강제한다. 우리 방법은 장거리 결합을 위한 대형 체적, 수송 경로와 정렬된 골격 인식 중간 스케일 체적, 국소 정밀화를 위한 소형 체적로 구성된 3스케일 부영역 전략과 연속성을 우선하는 2단계 학습 일정을 활용한다. TPMS 기하학에서의 정상 비압축성 흐름에 대한 실험은 MUSA-PINN이 최신 기준선을 능가하며, 상대 오류를 최대 93%까지 줄이고 질량 보존을 유지함을 보여준다.

arXiv:2606.19853v1cs.LG

Squeeze-Excitation 유사 어텐션을 갖춘 물리 인식 신경망

Physics-Informed Neural Network with Squeeze-Excitation-like Attention

본 논문에서는 물리 인식 신경망에 Squeeze-Excitation 유사 어텐션 메커니즘을 통합하여 계층 간 뉴런의 중요도를 동적으로 재조정하는 새로운 아키텍처인 SEA-PINN을 소개합니다. SEA-PINN의 핵심 특징은 매우 안정적인 초기화입니다. 20개의 벤치마크 문제 중 17개에서 SEA-PINN은 거의 무시할 수 있는 분산과 유의미하게 감소된 초기 손실을 보여, 최적화를 위한 준결정론적이고 유리한 시작점을 확립했습니다. 특히, 푸리에 특징 임베딩이나 주기적 활성화 함수를 사용하지 않고도, SEA-PINN은 사인파 활성화의 학습 가능한 주파수를 통해 고주파 문제를 위해 특별히 설계된 모델인 TSA-PINN과 비교하여 경쟁력 있는 정확도(고주파 케이스 7에서 FNN-PINN 대비 83% 대 90% 개선)를 달성했습니다. 더욱이, SEA-PINN을 TSA-PINN에 통합하면 성능이 42.49% 향상되었습니다. 이러한 결과는 SEA-PINN이 비선형 표현력을 향상시키고, 더 강건하고 효율적인 수렴을 촉진하며, 물리 인식 학습의 전반적인 신뢰성을 강화하는 경량 플러그인 모듈임을 강조합니다.