극한학습기 기반 도메인 분할의 뉴먼 뉴먼 가속과 거친 공간 설계

초록

본 논문은 기존 DDELM(도메인 분할 기반 극한학습기) 방법에 거친 공간(coarse space)을 도입하고, 뉴먼-뉴먼 가속 기법을 적용하여 인터페이스 문제의 수렴성을 크게 향상시킨다. 코너 변수와 비코너 변수를 구분해 선택적 소거를 수행하고, 새로운 변수 변환과 가중치 스키밍을 통해 뉴먼-뉴먼 전처리의 안정성을 확보한다. 포아송·바이히모닉 방정식에 대한 수치 실험에서 기존 DDELM 대비 CG 반복 횟수와 전체 학습 시간이 현저히 감소함을 확인하였다.

상세 분석

본 연구는 극한학습기(ELM)를 대규모 PDE 해결에 적용할 때 발생하는 최소제곱 연산의 비용 문제를 도메인 분할(DDM)과 결합해 해결하려는 시도에서 한 단계 더 나아간다. 기존 DDELM은 서브도메인 별로 독립적인 ELM을 학습하고, 인터페이스 변수 µ를 도입해 전역 연계 문제를 형성한다. 그러나 이 전역 시스템은 여전히 큰 차원(전체 인터페이스 자유도) 때문에 CG 수렴이 느리고, 스케일링이 제한적이었다. 논문은 이러한 한계를 극복하기 위해 두 가지 핵심 아이디어를 제시한다. 첫째, 인터페이스 자유도를 ‘코너(Π)’와 ‘비코너(Δ)’로 분할하고, 코너 변수만을 거친 공간으로 선택한다. 선택적 소거를 통해 코너 변수에 대한 Schur 보완을 수행하면, 비코너 변수에 대한 축소 시스템이 코너 변수에 내재된 형태가 된다. 둘째, 이 구조를 이용해 뉴먼-뉴먼 가속을 설계한다. 기존 뉴먼-뉴먼은 인터페이스 자유도에 대한 Dirichlet‑to‑Neumann 맵을 전처리기로 사용하지만, 거친 공간이 없으면 전역 스케일링이 어려웠다. 여기서는 코너 변수에 대한 ‘Neumann‑to‑Dirichlet’ 맵 P=Ā K̄+ B̄ 를 곱함으로써 비코너 방정식에 PᵀP를 삽입한다. θ∈