본 논문은 고정된 기하학적 기반 함수를 사용하는 Method of Moments (MoM)의 제약을 해결하기 위해, 래오-윌튼-글리슨 (RWG) 기반 함수와 같은 정적 기반 함수 대신 학습 가능한 기반 표현을 중심으로 전자기 모델링을 재구성하는 것을 목표로 한다. 논문에서는 RWG 기반 함수가 콜모고로프-아놀드 표현 정리에 대한 정적이고 조각별 선형적인 구현임을 보이고, 이를 바탕으로 물리 기반 콜모고로프-아놀드 네트워크(KAN)인 PhyKAN을 제안한다. PhyKAN은 RWG를 학습 가능하고 적응적인 기반 함수 집합으로 일반화하며, EFIE에서 파생되어 그린 함수 사전 지식을 포함하는 글로벌 분기와 로컬 KAN 분기를 통합하여 물리적 일관성을 유지한다. 표준 기하학적 구조에서 PhyKAN은 0.01 미만의 재구성 오류와 정확한 비감독 레이더 단면적 예측을 달성하여, 고전적인 솔버와 전자기 모델링을 위한 현대적인 신경망 모델 간의 해석 가능하고 물리적으로 일관된 다리를 제공한다.
