물리 정보 신경망(PINNs)은 물리 법칙을 손실 함수에 직접 통합하여 편미분 방정식을 푸는 딥러닝 모델의 한 종류입니다. 하지만, 주로 간과되어 온 내부 공변량 이동(internal covariate shift) 문제로 인해 PINNs에서 신경망 용량을 효과적으로 활용하는 데 어려움이 있습니다. 본 논문에서는 이 문제를 해결하기 위해 새로운 구조인 Mask-PINNs를 제안합니다. 기존의 BatchNorm이나 LayerNorm과 같은 정규화 방법과 달리, 기저 물리를 위반하지 않고 특징 분포를 제한하는 학습 가능한 비선형 마스크 함수를 도입합니다. 실험 결과, 제안된 방법은 다양한 활성화 함수와 PDE 벤치마크에서 특징 분포 안정성, 정확성 및 강건성을 크게 향상시키는 것으로 나타났습니다. 또한, 기존 PINNs에서 크게 간과되어 온 더 넓은 네트워크의 안정적이고 효율적인 훈련을 가능하게 합니다.
