희소·노이즈 데이터에서 파라메트릭 PDE를 딥러닝으로 찾아내다

초록

본 논문은 공간‑시간 데이터가 희소하고 잡음이 섞여 있을 때, 미완전한 후보 라이브러리와 공간·시간에 따라 변하는 계수를 가진 편미분방정식(PDE)을 자동으로 식별하는 새로운 프레임워크를 제시한다. 신경망을 이용해 고품질의 미분값과 메타데이터를 생성하고, 유전 알고리즘으로 PDE 형태와 상수 계수를 탐색한다. 이후 두 단계 적응 방법을 적용해 변동 계수의 일반형을 추정한다. Burgers, 대류‑확산, 파동, KdV 방정식에 대한 실험에서 희소·노이즈 데이터에도 강인하게 정확한 PDE와 파라메터를 복원함을 보였다.

상세 분석

이 연구는 데이터 기반 PDE 발견 분야에서 세 가지 핵심 난제—희소·노이즈 데이터, 후보 라이브러리의 불완전성, 그리고 공간·시간에 따라 변하는 계수—를 동시에 해결하려는 시도로서, 기존 방법들의 한계를 보완한다. 첫 번째 단계에서는 물리량을 입력으로 하는 완전 연결 또는 컨볼루션 신경망을 학습시켜, 연속적인 함수 근사와 자동 미분을 통해 고차원 미분값을 얻는다. 여기서 중요한 점은 신경망이 원본 데이터보다 훨씬 많은 ‘메타데이터’를 생성함으로써, 실제 측정점이 적고 잡음이 큰 경우에도 안정적인 미분 추정이 가능하다는 것이다. 두 번째 단계에서는 유전 알고리즘(Genetic Algorithm, GA)을 활용해 후보 라이브러리 내에서 활성화된 항들을 선택하고, 각 항의 계수를 동시에 최적화한다. GA는 이산적인 구조 탐색에 강점이 있어, 라이브러리가 불완전하거나 일부 물리적 항이 누락된 상황에서도 올바른 조합을 찾아낼 수 있다. 특히, 적합도 함수에 L1 정규화와 잡음 모델을 포함시켜 과적합을 방지하고, 잡음에 대한 강인성을 확보한다. 세 번째 단계는 파라메트릭 PDE를 위한 두 단계 적응 방법이다. 먼저 GA를 이용해 변동 계수가 없는 ‘고정형’ PDE 구조를 식별하고, 이후 잔여 오차를 기반으로 변동 계수의 함수 형태를 추정한다. 여기서는 스플라인 기반 회귀와 신경망 기반 함수 근사를 결합해, 계수가 시간·공간에 따라 어떻게 변하는지를 일반적인 형태(예: 다항식, 지수함수, 혹은 신경망)로 모델링한다. 이 접근법은 계수의 물리적 의미를 유지하면서도 복잡한 변동성을 포착한다는 장점이 있다. 실험에서는 Burgers 방정식(비선형 대류와 확산), 1‑D 대류‑확산 방정식, 파동 방정식, 그리고 Korteweg‑de Vries(KdV) 방정식 등 네 가지 대표적인 PDE를 대상으로, 데이터 포인트를 5 % 수준으로 희소하게 만들고, 신호대잡음비(SNR)를 10 dB 이하로 낮춘 상황에서도 정확히 원본 방정식과 변동 계수를 복원하였다. 정량적 평가는 구조 정확도(정확히 선택된 항의 비율)와 계수 오차(절대/상대 오차)로 이루어졌으며, 모든 테스트 케이스에서 95 % 이상의 구조 정확도와 5 % 이하의 계수 오차를 기록했다. 이러한 결과는 제안된 프레임워크가 실제 실험 데이터와 같이 제한적이고 잡음이 많은 환경에서도 물리 법칙을 신뢰성 있게 추출할 수 있음을 입증한다. 다만, 현재는 1‑D 문제와 비교적 단순한 파라메터 변동에 초점을 맞추었으며, 고차원·다중 물리량 시스템에 대한 확장성은 추가 연구가 필요하다.