Physics-Informed Neural Networks (PINNs)는 희소한 측정값과 불완전한 시스템 정보를 가진 미분 방정식의 매개변수 추정 문제를 효과적으로 해결하는 도구로 떠올랐지만, 수렴 문제, 안정성 문제, 과적합, 복잡한 손실 함수 설계 등의 한계를 지닌다. 본 논문에서는 학습 과정을 제약된 미분 최적화 문제로 재구성하여 이러한 한계를 해결하는 새로운 학습 패러다임인 PINNverse를 제안한다. PINNverse는 Modified Differential Method of Multipliers를 활용하여 훈련 중 데이터 손실과 미분 방정식 잔차 손실 간의 동적 균형을 달성하고 과적합을 방지하며, Pareto front 상의 임의의 지점에서 수렴을 가능하게 한다. 물리학 및 생물학 분야의 네 가지 고전적인 ODE 및 PDE 모델에서 잡음이 있는 데이터로부터 강력하고 정확한 매개변수 추정을 보여주며, 순방향 문제의 해결 비용이 높은 경우에도 정확한 매개변수 추론을 가능하게 한다.
