물리 정보 신경망(PINNs)은 편미분 방정식(PDEs)을 풀기 위한 강력한 프레임워크로, 물리 법칙을 손실 함수에 직접 포함합니다. 하지만, 근본적인 최적화 문제인 내부 공변량 이동(ICS)은 특징 분포를 깨뜨리고 모델의 표현력을 제한하여 PINNs의 안정적이고 효과적인 훈련을 방해합니다. 표준 심층 학습 작업과 달리, 배치 정규화 및 레이어 정규화와 같은 ICS에 대한 기존의 해결책은 신뢰할 수 있는 PDE 해를 위해 필요한 물리적 일관성을 왜곡하기 때문에 PINNs에 직접 적용할 수 없습니다. 이 문제를 해결하기 위해, 본 논문에서는 학습 가능한 마스크 함수를 도입하여 PINNs의 기본적인 물리적 제약 조건을 유지하면서 특징 분포를 조절하는 새로운 아키텍처인 Mask-PINNs를 제안합니다. 본 논문에서는 마스크가 신중하게 설계된 변조 메커니즘을 통해 특징 표현의 확장을 억제함을 보여주는 이론적 분석을 제공합니다. 실험적으로, 다양한 활성화 함수에 걸쳐 대류, 파동 전파 및 헬름홀츠 방정식을 포함한 여러 PDE 벤치마크에서 이 방법을 검증합니다. 결과는 예측 정확도, 수렴 안정성 및 강건성이 일관되게 향상됨을 보여줍니다. 또한, Mask-PINNs는 기존 PINN 프레임워크의 주요 한계를 극복하여 더 넓은 네트워크의 효과적인 사용을 가능하게 함을 보여줍니다.
