# Physics-Informed Neural Networks for Nonlinear Output Regulation

### 저자

Sebastiano Mengozzi, Giovanni B. Esposito, Michelangelo Bin, Andrea Acquaviva, Andrea Bartolini, Lorenzo Marconi

### 💡 개요

본 논문은 완전 정보 출력 조절 문제를 해결하기 위해 물리 정보 신경망(PINN)을 활용하는 새로운 접근 방식을 제안합니다. 제안된 PINN은 사전 계산된 궤적이나 레이블링된 데이터 없이, 규제 방정식(regulator equations)을 직접 근사하여 제로-정확도 오차 매니폴드($\pi(w)$)와 피드포워드 입력($c(w)$)을 학습합니다. 이를 통해 실시간 추론이 가능하며, 다양한 외생 시스템(exosystem) 변화에 대한 일반화 성능을 보여줍니다.

### 🔑 시사점 및 한계

- PINN을 통해 복잡한 비선형 시스템의 출력 조절 문제를 효과적으로 해결할 수 있습니다.

- 외생 시스템의 다양한 초기 조건 및 파라미터 변화에 대해 일반화 가능한 솔버를 구축할 수 있습니다.

- 제안된 방법론은 출력 조절 문제의 해가 존재하는 광범위한 비선형 시스템에 적용 가능합니다.

- 고차원 시스템이나 더 복잡한 형태의 외생 시스템에 대한 PINN의 학습 효율성 및 정확도 향상이 향후 과제로 남아있습니다.

---

[PDF 보기](https://arxiv.org/pdf/2511.13595)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).