본 논문은 잡음이 많고, 데이터가 부족한 초기 및 경계 조건을 가진 편미분 방정식(PDEs)을 푸는 새로운 계산 방법인 Physics-Informed Neural Networks (PINNs)에 대해 다룬다. 대규모 다중 스케일 문제에서 인식적 불확실성과 확률적 불확실성을 효율적으로 정량화하는 것은 여전히 어려운 과제이다. 본 논문에서는 국소 베이지안 Physics-Informed Neural Networks (BPINN)과 영역 분할을 결합하여 베이지안 프레임워크를 사용하여 PDEs의 전역적 불확실성을 계산하는 새로운 방법인 PINN을 제안한다. 인접한 하위 영역의 경계면에서 플럭스 연속성을 부과하여 하위 영역 간의 해의 연속성을 얻는다. 1차원 및 2차원 공간 영역에서 PDEs에 대한 일련의 계산 실험을 통해 PINN의 효과를 보여준다. 보수적 PINNs (cPINNs)를 채택했지만, 이 방법은 다른 영역 분할 기법으로 원활하게 확장될 수 있다. 결과는 각 하위 영역의 불확실성을 동시에 계산할 수 있으므로 제안된 방법이 국소 불확실성을 더욱 효율적으로 정확하게 계산하여 전역적 불확실성을 복원한다는 것을 보여준다. 훈련 데이터에 최대 15%의 상관관계가 없는 랜덤 노이즈를 추가하고 서로 다른 영역 크기에 대해 테스트하여 PINN의 강건성을 검증하였다.
시사점, 한계점
•
시사점:
◦
국소 베이지안 PINN과 영역 분할을 결합하여 PDEs의 전역적 불확실성을 효율적으로 계산하는 새로운 방법인 PINN을 제시하였다.
◦
각 하위 영역의 불확실성을 동시에 계산하여 전역적 불확실성을 더욱 효율적으로 계산할 수 있음을 보였다.
◦
훈련 데이터의 노이즈에 대해 강건함을 보였다.
◦
다양한 영역 분할 기법으로 확장 가능성을 제시하였다.
•
한계점:
◦
제시된 방법이 cPINNs에 기반하고 있으며, 다른 PINNs 변형에 대한 일반화 가능성은 추가 연구가 필요하다.
