딥러닝과 유전 알고리즘을 활용한 불완전 후보 라이브러리 기반 PDE 발견

초록

DLGA‑PDE는 물리 현상의 관측 데이터로부터 딥 뉴럴 네트워크를 이용해 연속적인 해와 그 미분값을 추정하고, 이를 메타데이터로 활용해 유전 알고리즘으로 PDE의 항들을 탐색한다. 후보 항 라이브러리가 완전하지 않아도 변이·교차 연산을 통해 새로운 항을 생성·조합함으로써 KdV, Burgers, 파동, Chaffee‑Infante 방정식 등을 성공적으로 복원한다. 잡음이 많고 데이터가 제한된 상황에서도 높은 정확도를 보이며, 기존 SINDy와 같은 선형 회귀 기반 방법의 한계를 극복한다.

상세 분석

DLGA‑PDE는 두 단계로 구성된 하이브리드 프레임워크이다. 첫 번째 단계에서는 물리 현상의 시공간 데이터 ((x,t,u))를 입력으로 받아 딥 뉴럴 네트워크(DNN)를 학습한다. 여기서 DNN은 연속적인 함수 근사기로 작동하며, 자동 미분을 통해 일차·이차·고차 미분값을 정확히 계산한다. 이 과정에서 물리적 경계조건과 초기조건을 손실함수에 포함시켜 물리적 일관성을 강화한다. 두 번째 단계에서는 유전 알고리즘(GA)을 이용해 PDE의 후보 항들을 탐색한다. 각 개체는 ‘항‑계수‑지수’ 형태의 유전자를 갖는 문자열로 표현되며, 후보 라이브러리는 사전 정의된 기본 연산자(예: (\partial_x, \partial_{xx}, u, u^2) 등)와 제한된 파라미터 집합으로 구성된다. GA는 적합도 함수를 통해 각 개체의 잔차 (|u_t - \mathcal{F}(u,\partial u,\dots)|_2)를 평가한다. 변이 연산은 기존 항에 새로운 연산자를 삽입하거나 지수·계수를 무작위로 변형시키고, 교차 연산은 두 부모 개체의 유전자를 교환해 새로운 조합을 만든다. 이러한 진화 과정은 완전한 후보 라이브러리가 없더라도 새로운 항을 ‘창조’할 수 있게 하며, 탐색 공간을 효율적으로 확장한다.

핵심적인 기술적 장점은 다음과 같다. 첫째, DNN 기반 메타데이터는 전통적인 수치 미분보다 노이즈에 강하고, 미분 차수에 제한이 없으며, 불규칙한 측정점에서도 적용 가능하다. 둘째, GA는 전역 최적화를 목표로 하여 로컬 최소에 빠지는 위험을 감소시키며, 변이·교차를 통해 비선형·비정형 항을 자동으로 생성한다. 셋째, 후보 라이브러리를 의도적으로 축소함으로써 계산 복잡도를 낮추고, 실제 실험에서 관측되지 않을 수 있는 항들을 탐색하도록 설계했다. 실험 결과 KdV 방정식의 (\partial_x^3 u) 항, Burgers 방정식의 비선형 대류항 (u\partial_x u), 파동 방정식의 2차 시간 미분항 (\partial_{tt} u), Chaffee‑Infante 방정식의 비선형 포텐셜 항 (u^3) 등을 정확히 복원했으며, 5 % 수준의 가우시안 잡음과 30 % 이하의 데이터 감소 상황에서도 평균 오차가 2 % 미만으로 유지되었다.

하지만 몇 가지 한계도 존재한다. GA의 진화 과정은 세대 수와 개체 수에 따라 계산 비용이 급격히 증가하며, 고차원·다변수 PDE(예: Navier‑Stokes)로 확장할 경우 후보 항의 조합 폭이 기하급수적으로 늘어나 효율적인 제약이 필요하다. 또한 DNN 학습 단계에서 과적합 위험이 존재하며, 학습 데이터가 너무 희소하면 미분값이 왜곡될 수 있다. 마지막으로, 현재 구현은 연속적인 시간·공간 데이터를 전제로 하며, 불연속 현상(충격파 등)에 대한 적용은 추가적인 전처리 또는 특수 네트워크 구조가 요구된다. 전반적으로 DLGA‑PDE는 불완전한 후보 라이브러리에서도 물리 법칙을 자동 발굴할 수 있는 강력한 도구이며, 기존 회귀 기반 방법과 비교해 잡음·데이터 부족에 대한 내성을 크게 향상시킨다.