arXiv:2512.12074v2 cs.LG

무한 영역에서의 샘플링 전략 및 물리 정보 기반 콜모고로프-아놀드 네트워크 평가

Evaluation of Sampling Strategies and Physics-Informed Kolmogorov--Arnold Networks in Unbounded Domains

Gregorio Pérez-Bernal, Oscar Rincón-Cardeño, Silvana Montoya-Noguera, Nicolás Guarín-Zapata

제출 2025-12-12

저자 비고

arXiv Comments

14 pages, 7 figures

한국어 초록

물리 정보 기반 신경망(PINN)은 학습(training) 과정에 물리 법칙을 통합함으로써 편미분 방정식(PDE)을 해결하는 효과적인 접근 방식으로 부상했습니다. 그러나 유한한 수의 학습 점으로 비유계(unbounded) 영역을 표현하는 것의 어려움으로 인해, 무한 및 반무한 영역에 대한 적용은 여전히 난제로 남아 있습니다. 본 연구는 무한 영역에서의 역(inverse) PDE 문제를 위한 물리 정보 기반 학습 전략을 평가하며, 균등(uniform), 가우시안(Gaussian), 지수(exponential) 분포 기반 샘플링 전략의 영향과 PINN 프레임워크 내에서 기존 다층 퍼셉트론(MLP) 및 콜모고로프-아놀드 네트워크(KAN)의 활용에 초점을 맞춥니다. 제안된 벤치마크는 무한 및 반무한 영역에서의 인공적인 역문제를 고려하여 재구성 정확도와 계산 효율성에 대한 정량적 평가를 가능하게 합니다. 실험 결과에 따르면 명시적 분포 매개변수로 제어되는 가우시안 및 지수 샘플링은 원거리 장(far field)에서의 재구성 정확도를 향상시키며, 문제 특화된 사전 지식을 학습에 임베딩(embedding)하는 직접적인 메커니즘을 제공합니다. 에지 기반 함수 표현이 콜모고로프-아놀드 표현 정리에 기반한 PIKAN은 더 적은 뉴런을 요구하면서도 MLP 기반 PINN의 정확도와 일치하거나 이를 능가하지만, 스플라인 기반 공식화로 인해 학습, 추론(inference), 도함수(derivative) 계산의 연산 비용이 증가합니다.

원문 초록

Physics-informed neural networks (PINNs) have emerged as an effective approach for solving partial differential equations (PDEs) by incorporating physical laws into the learning process. However, their application to infinite and semi-infinite domains remains challenging due to the difficulty of representing unbounded regions with a finite number of training points. This work evaluates physics-informed learning strategies for inverse PDE problems in unbounded domains, focusing on the influence of sampling strategies based on uniform, Gaussian, and exponential distributions, and on the use of conventional multilayer perceptrons (MLPs) and Kolmogorov--Arnold Networks (KANs) within the PINN framework. The proposed benchmark considers manufactured inverse problems on infinite and semi-infinite domains, enabling quantitative assessment of reconstruction accuracy and computational efficiency. Results show that Gaussian and exponential sampling, controlled through explicit distribution parameters, improve reconstruction accuracy in the far field and offer a direct mechanism for embedding problem-specific prior knowledge into training. PIKANs, whose edge-based functional representation is grounded in the Kolmogorov--Arnold representation theorem, match or exceed the accuracy of MLP-based PINNs while requiring fewer neurons, though their spline-based formulation increases the computational cost of training, inference, and derivative evaluation.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2512.12074v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.05271v3cs.LG공통 태그 inverse problems, physics-informed neural networks

물리 정보 신경망 역문제를 위한 타깃 유도 선택적 재가중: 전이학습 접근법

Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach

물리 정보 신경망(PINN)은 편미분방정식(PDE) 역문제에서 종종 불량 조건 최적화(ill-posed optimization), 손실 함수 간의 충돌, 매개변수 보상(parameter compensation) 문제에 직면합니다. 전이학습(transfer learning)은 소스 태스크의 표현을 재사용할 수 있지만, 소스와 타깃의 물리적 특성이 다를 경우 직접적인 미세조정(fine-tuning)은 부정적 전이(negative transfer)를 유발하여 장(field) 오차는 낮으나 부정확한 매개변수 복원으로 이어질 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 PINN 역 전이학습을 위한 타깃 증거 기반 표현 교정 기법인 타깃 유도 선택적 재가중 PINN(Target-Guided Selective Reweighting PINN, TGSR-PINN)을 제안합니다. TGSR-PINN은 소스 신경망의 가중치와 편향을 전이하지만, 타깃 물리 매개변수는 독립적으로 초기화합니다. 타깃에 대한 짧은 적응 후, 고정된 배치에서 1차 테일러 민감도와 사전 활성화 분산을 사용하여 뉴런의 점수를 매깁니다. 이 점수들은 순위 대체(rank fallback)가 포함된 가우시안 혼합 모델(Gaussian mixture model)을 통해 연속적인 약적응(weak-adaptation) 신호로 변환됩니다. 그런 다음 TGSR-PINN은 해당 입력 가중치 행과 편향을 가지치기(pruning)하거나 재설정하지 않고 유계 선택적 소프트 감쇠(bounded selective soft decay)를 적용합니다. 0-소스 고페클레 유입-유출 문제(영이 아닌 디리클레 데이터 및 유출 경계층 포함), Allen-Cahn에서 Burgers로의 교차 PDE 전이, 5% 노이즈가 포함된 반응-확산 역문제에 대한 실험 결과는 TGSR-PINN이 낮은 장 오차를 유지하면서 매개변수 복원 성능을 향상시킴을 보여줍니다. 소거 연구(ablation studies)를 통해 뉴런 타깃 점수화, 약적응 추정, 층 보호 및 선택적 소프트 감쇠가 관찰된 성능 향상에 공동으로 기여함을 확인했습니다.

arXiv:2606.28158v1cs.LG공통 태그 inverse problems, physics-informed neural networks

물리 정보 신경망을 이용한 유한 데이터 칼데론 문제에서 날카로운 전도도 특징 복원

Recovering Sharp Conductivity Features in the Finite-Data Calderón Problem with Physics-Informed Neural Networks

물리 정보 신경망(PINN)은 최근 제한된 경계 데이터로부터 칼데론 역문제를 다루는 유망한 프레임워크로 부상했다. 본 연구에서는 무작위화된 웨이블릿 함수에 기반한 다중 스케일 경계 여기를 도입하고, 날카로운 전도도 변화를 표현하는 데 있어 푸리에 특징 인코딩(FFE)의 역할을 조사함으로써 신경망 기반 칼데론 역변환을 재검토한다. 우리는 가해진 경계 여기에 조건화된 별도의 신경망으로 미지의 전도도와 관련 전위 함수군을 표현하는 물리 정보 재구성 프레임워크를 제안한다. 지배 타원 PDE는 물리 정보 잔차를 통해 강제되며, 유한 Dirichlet-to-Neumann(DtN) 데이터는 경계 손실을 통해 통합된다. 유한차분 순방향 솔버로부터의 합성 데이터를 사용하여, 포함물, 날카로운 계면, 매끄러운 프로파일, 이질 매질을 갖는 전도도 필드에 대해 이 방법을 평가한다. 결과는 이 프레임워크가 유한 경계 측정으로부터 지배적인 전도도 구조를 상대 오차 약 $3\%-12\%$ 수준으로 복원함을 보여준다. FFE가 국소화된 날카로운 특징(특히 포함물과 계면)의 재구성을 개선하지만 보편적으로 최적은 아니며, 원시 좌표 신경망이 더 매끄러운 필드에서 경쟁력 있는 성능을 보인다는 것을 보인다. 이러한 결과는 신경망 칼데론 역변환에서 좌표 표현과 경계 여기 설계가 핵심 요인임을 강조한다.

arXiv:2510.14656v2stat.ML공통 태그 inverse problems, physics-informed neural networks

2단계 물리 정보 심층 학습과 통계적 혼합 모델을 이용한 계수 점프 불연속 편미분방정식 역문제

Inverse Problem for Partial Differential Equations with Jump Discontinuities in Coefficients by Two-stage Physics-Informed Deep Learning and Statistical Mixture Models

본 연구는 신경망 기반 샘플링과 통계적 추론, 제약 매개변수 정제를 결합한 2단계 물리 정보 심층 학습 프레임워크를 제안한다. 1단계에서는 이중 네트워크 물리 정보 아키텍처를 사용하며, 주 네트워크는 PDE 해를 근사하고 보조 계수 서브 네트워크는 실제 불연속 계수장의 완화된 연속적 소프트 근사를 제공한다. 그래디언트 적응형 가중치 전략을 도입하여 잔차 학습을 개선하고 가능한 불연속 영역 근처에서 샘플링 신뢰성을 높인다. 샘플링된 계수 값은 가우시안 혼합 모델에 대한 베이즈 학습과 출생-사멸(birth-death) 마르코프 체인 모델 선택을 이용해 분석되며, 이를 통해 계수 체제의 개수를 식별하고 계수 값 및 전이 영역에 대한 후보 구간을 제공한다. 2단계에서는 역문제를 제약 물리 정보 추정량으로 재구성하며, 계수는 시공간 영역 전체에 걸친 구간별 상수 함수로 명시적으로 표현되는 형식 일치 하드 근사로 대체된다. 점프 불연속 계수를 갖는 PDE에 대한 포괄적인 수치 실험은 제안 프레임워크가 기존 방법 대비 수용 가능한 계산 비용으로 적응성과 정확한 매개변수 식별을 달성함을 보여준다. 해 재구성에 대한 적용은 그 실용적 잠재력을 추가로 보여준다. 본 연구는 특히 비정상(non-stationary) 및 이질(heterogeneous) 계에서 불연속 매개변수 구조를 갖는 PDE가 지배하는 역문제에 대한 일반화 가능한 계산적 접근법을 제공한다.

arXiv:2606.20326v1cs.LG공통 태그 Kolmogorov-Arnold Networks, physics-informed neural networks

편미분 방정식(PDE)을 위한 양자-고전 물리 정보 기반 Kolmogorov-Arnold 네트워크

Quantum-classical physics-informed Kolmogorov-Arnold networks for PDEs

편미분 방정식(PDE)을 풀기 위해 설계된 최초의 양자-고전 물리 정보 기반 Kolmogorov-Arnold 네트워크인 QCPIKAN을 개발합니다. 체비셰프 다항식 KAN 층과 매개변수화된 양자 회로를 기반으로 구축된 이 하이브리드 프레임워크는 물리적 일관성을 보장하기 위해 학습 손실(training loss)에 물리적 제약 조건을 내장합니다. 근사 이론에 기반한 이론적 연구를 통해, 이 설계가 고주파 오차 수렴(convergence)을 지수적 속도로 가속화하고 수치 분산을 효과적으로 완화함을 입증합니다. 단상 유동, 성분 수송(component transport), 이상 유동을 포함한 다공질 매체의 세 가지 전형적인 침투 시나리오에서 해당 프레임워크를 검증합니다. 기존 양자-고전 물리 정보 기반 신경망과 비교했을 때, QCPIKAN은 전역 예측 정확도, 국소 오차 제어, 동적 진화 추적, 변위 전선 국소화 측면에서 우수한 성능을 보여줍니다. 본 연구는 복잡한 편미분 방정식(PDE)을 해결하기 위한 강건하고 효율적인 대안을 제공합니다.

arXiv:2606.12337v1math.NA공통 태그 inverse problems, physics-informed neural networks

PDE 제약 역문제에서의 수반 방법과 물리 정보 신경망 비교

Adjoint Method versus Physics-Informed Neural Networks in PDE-Constrained Inverse Problems

편미분방정식(PDE)으로 지배되는 역문제는 전산 역학의 핵심이며, 일반적으로 수반 기반 최적화를 통해 해결되지만, 물리 정보 신경망(PINNs)이 유연한 대안으로 등장했습니다. 두 접근 방식은 종종 서로 다른 정식화, 매개변수화, 옵티마이저, 정규화 선택 하에서 비교되기 때문에 상대적인 성능을 평가하기 어렵습니다. 우리는 PDE 제약 역문제에 대한 수반 최적화와 PINNs의 공정한 비교를 제시합니다. 공통의 추상적 정식화에서 시작하여, 동일한 영역, 지배 방정식, 관측 모델, 정규화 항에 대해 두 방법을 구현하며, 가능한 곳에서는 옵티마이저, 미지수의 매개변수화, 연산 정밀도를 일치시킵니다. 벤치마크에는 비정상 Burgers, 노이즈가 포함된 Darcy 투과율 역추정, 3차원 Allen--Cahn 반응 식별, 비정상 Navier--Stokes 점도 식별이 포함됩니다. 결과에 따르면 미지수의 표현이 선호되는 방법을 크게 결정합니다: 격자 기반 필드는 이산 수반 방법에 유리하며, 반면 신경망 표현은 PINNs에 본질적이며 클로저 및 구성 모델링과 관련이 있습니다. 시간 종속 문제의 경우, 수반 역추정은 궤적 저장 및 미분에 의해 지배될 수 있는 반면, PINNs는 더 낮은 비용으로 만족스러운 재구성을 제공합니다. 그 후 PINN 웜 스타트 수반 전략은 비용을 상당히 줄이면서 수반 수준의 정확도를 회복합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.