본 논문은 물리 정보 뉴럴 네트워크(PINNs)의 정확도 한계를 극복하기 위해 물리 정보 가우시안(PIGs)을 제안한다. 기존 PINNs는 다층 퍼셉트론(MLPs)의 스펙트럼 편향으로 인해 고주파 및 비선형 성분 학습에 어려움을 겪는다. 본 논문에서 제안하는 PIGs는 가우시안 함수를 이용한 특징 임베딩과 경량 뉴럴 네트워크를 결합하여 이러한 문제를 해결한다. 각 가우시안의 평균과 분산을 학습 가능한 매개변수로 사용하여, 훈련 중 가우시안의 위치와 모양을 동적으로 조절함으로써 복잡한 편미분 방정식(PDEs)의 해를 효율적으로 근사한다. PINNs와 동일한 최적화 프레임워크를 유지하면서도, 고정된 메시 매개변수의 한계를 극복하고 다양한 PDEs에 대해 경쟁력 있는 성능을 보여준다.
