데이터에서 PDE를 학습하는 혁신적 네트워크 — PDE‑Net

초록

PDE‑Net은 컨볼루션 필터를 미분 연산자로 학습하고, 비선형 항을 신경망으로 근사함으로써 관측 데이터로부터 진화형 편미분방정식을 동시에 예측하고 식별한다. 필터에 합성 규칙(sum‑rule)과 모멘트 행렬 제약을 부여해 물리적 의미를 유지하면서도 높은 예측 정확도를 달성한다. 선형·비선형 예제와 잡음이 섞인 데이터 실험에서 숨겨진 PDE를 복원하고 장기 예측이 가능함을 보였다.

상세 분석

PDE‑Net은 “미분 연산자를 학습 가능한 컨볼루션 필터로 표현한다”는 핵심 아이디어를 바탕으로 설계되었다. 파동렛 이론에서 도입된 합성 규칙(sum‑rule) 과 모멘트 행렬 개념을 활용해, 필터가 특정 차수의 미분 연산자를 일정 정확도로 근사하도록 수학적으로 제약한다. 예를 들어, 3×3 필터에 (1,0) 차수의 합성 규칙을 부여하면 ∂/∂x 를 1차 근사로, 추가적인 모멘트 제약을 통해 2차 근사까지 가능하게 만든다. 이러한 제약은 필터를 “잠금(frozen)”하거나 “부분 잠금(partially constrained)” 형태로 학습시켜, 학습 과정에서 물리적 해석 가능성을 보존한다.

네트워크 구조는 δt‑block 으로 구성된다. 한 블록은 전방 오일러 시간 전진을 구현하며, 입력 필드 u(t)에 대해 평균 연산 D₀와 미분 연산 D_{ij} (필터 q₀, q_{ij})를 수행한 뒤, 비선형 함수 F를 신경망으로 근사한다. 즉,
\