물리 정보 신경망으로 비선형 PDE를 푸는 볼록 준선형화 방법
A Convex Quasilinearization Method for Solving Nonlinear PDEs with Physics-Informed Neural Networks
비선형 편미분방정식(PDE)의 정 문제 해법을 위한 수치 방법을 제시한다. Bellman-Kalaba 준선형화가 비선형 문제를 선형 부문제의 연쇄로 축소하며, 각 부문제는 매개변수에 대해 선형인 시험 공간에 구적법(collocation)으로 이산화되고 단일 직접 선형 최소제곱 QR 분해로 풀린다. 시험 공간은 우리가 Linear-in-Learnables(LiL)라 부르는 것으로, 랜덤 특징 극한학습기, 스펙트럴 다항식 기저, 삼각함수 전개 등 학습 가능 매개변수가 선형으로 들어가는 표현들로 구성되며, 각각 물리 정보 신경망으로 구현된다. 이 방법은 표준 PINN을 제한하는 비볼록 그래디언트 기반 학습을 단계별 볼록 해법으로 대체한다. 명시적 소량 조건 하에서 외부 반복의 국소 Newton-Kantorovich 수렴을 잔차 제한 근방으로 확립하며, 극한 정확도는 최적화 허용오차가 아니라 시험 공간의 최적 근사 잔차에 의해 좌우된다. LiL-Q라는 이 방법은 스칼라 비선형 PDE(Bratu, 점성 Burgers, Buckley-Leverett), 결합 시스템(평면 변형률 탄성 및 2차원·3차원 비압축 Navier-Stokes 방정식), 이질적 투과도를 갖는 정상 상태 Darcy 유동을 포괄하는 7개 벤치마크에서 평가된다. 이들 문제 전반에서 LiL-Q는 대부분의 경우 가장 거친 기저 크기에서도, 매개변수 개수와 무관하게 외부 반복이 한 자릿수 이내에 수렴한다. 정확해가 시험 공간의 생성(span)에 있을 때, 이 방법은 단일 해법으로 기계 정밀도까지 복원한다. Navier-Stokes 벤치마크에서는 그래디언트 기반 최적화 없이 학습 가능 매개변수를 최대 두 자릿수 적게 사용하면서 공개된 PINN 솔버와 동등하거나 그 이상의 성능을 보인다.