본 논문은 Physics-Informed Kolmogorov-Arnold Networks (PIKANs)와 Physics-Informed Neural Networks (PINNs)의 성능을 비교 분석하고, gray-box 시스템 식별에 대한 효과를 연구한다. 특히, Chebyshev 다항식을 기반으로 한 tanh-cPIKAN 아키텍처를 소개하고, 옵티마이저, 표현 방식, 훈련 구성이 시스템 약리학 모델링에서의 성능에 미치는 영향을 체계적으로 조사한다. Optax 라이브러리를 사용하여 최적의 옵티마이저 조합을 찾고, 모델 아키텍처, 수치 정밀도, warm-up phase, 초기 학습률에 대한 민감도를 평가한다. 또한, JAX의 계산 효율성 및 수치 정확도에 대한 trade-offs를 분석한다. 약동학 모델 및 화학요법 약물 반응 모델을 사용하여, robust하고 효율적인 gray-box 발견을 위한 옵티마이저 및 표현 모델/아키텍처 선택에 대한 실질적인 지침을 제공한다.
