물리 정보 기반 신경망(PINNs)은 특히 데이터가 부족한 상황에서 비지도 학습 기능으로 편미분 방정식(PDEs)을 푸는 유망한 방법으로 등장했습니다. 그러나 수렴과 PDE 매개변수 변경 시 재최적화 필요성과 관련된 한계로 인해 과학 및 공학 응용 분야 전반에 걸친 광범위한 채택이 저해되었습니다. 본 논문은 전이 학습과 메타 학습을 통해 이러한 한계를 해결하는 기존 연구를 검토합니다. 다룬 방법들은 훈련 효율성을 향상시켜 더 적은 데이터와 계산 자원으로 새로운 PDE에 더 빠르게 적응할 수 있도록 합니다. 기존의 수치 방법은 미분 방정식 시스템을 직접 푸는 반면, 신경망은 매개변수를 조정하여 솔루션을 암시적으로 학습합니다. 신경망의 주목할 만한 장점 중 하나는 특정 문제 영역에서 추상화하여 유사한 문제를 효율적으로 해결하기 위해 학습된 표현을 유지, 삭제 또는 적응할 수 있다는 것입니다. 본 논문은 이러한 기법을 PINNs에 적용함으로써 광범위한 과학 및 공학 응용 분야에서 PINNs의 광범위한 채택을 촉진하기 위한 미래 연구의 유망한 방향을 제시합니다.
