iPINNER 반복 물리 기반 신경망과 앙상블 칼만 필터

초록

iPINNER는 물리 기반 신경망(PINN)의 손실을 다목적 최적화(NSGA‑III)로 풀어 파레토 최적 해 집합을 만든 뒤, 이를 앙상블 칼만 필터(EnKF)와 결합해 관측 데이터의 노이즈를 제거하고 모델 불확실성을 감소시킨다. 파레토 해를 반복적으로 EnKF에 투입해 데이터 손실을 재조정함으로써, 전방 및 역문제 모두에서 잡음이 섞인 관측과 물리식 누락 상황에서도 기존 PINN보다 높은 정확도와 안정성을 보인다.

상세 분석

본 논문은 PINN이 실제 공학·과학 문제에서 직면하는 두 가지 핵심 난제, 즉 관측 데이터의 잡음과 물리식의 불완전성을 동시에 해결하기 위한 새로운 프레임워크 iPINNER를 제안한다. 핵심 아이디어는 PINN의 다목적 손실(초기·경계 조건, PDE 잔차, 데이터 불일치)을 각각 독립적인 목표 함수로 정의하고, 비지배 정렬 기반 진화 알고리즘인 NSGA‑III를 이용해 파레토 최적 프론트를 탐색한다. 이 과정에서 얻어지는 다수의 파라미터 집합(ensemble members)은 서로 다른 손실 균형을 갖는 모델들로, 모델 불확실성을 정량화하는 역할을 한다.

다음 단계에서는 이 파레토 모델들을 EnKF의 ‘예측 단계’에 투입한다. EnKF는 각 ensemble member의 상태(예측된 물리량)를 관측 데이터와 결합해 베이즈 업데이트를 수행함으로써 ‘분석 단계’를 만든다. 여기서 중요한 점은 EnKF가 잡음이 포함된 관측을 효과적으로 필터링하고, 파라미터 공간에서의 불확실성을 감소시킨다는 것이다. 분석 결과는 다시 PINN의 데이터 손실 항에 반영되어, 재학습 시 가중치를 조정하거나 손실 함수를 재구성한다. 이렇게 데이터 손실이 지속적으로 보정되는 과정을 여러 번 반복함으로써, 모델은 점진적으로 물리식과 관측 사이의 불일치를 최소화한다.

iPINNER의 장점은 다음과 같다. 첫째, NSGA‑III가 제공하는 파레토 다양성은 단일 손실 가중치에 의존하는 전통적 PINN 대비 로컬 미니마에 빠질 위험을 크게 낮춘다. 둘째, EnKF와의 결합을 통해 잡음이 심한 관측에서도 안정적인 추정이 가능해지며, 특히 역문제에서 미지 파라미터를 직접 학습 변수로 두는 접근법과 자연스럽게 연계된다. 셋째, 프레임워크가 ‘예측‑분석‑재학습’의 순환 구조를 갖기 때문에, 초기 파라미터 설정에 크게 의존하지 않는다.

하지만 몇 가지 한계도 존재한다. 파레토 프론트를 탐색하기 위한 인구 규모와 세대 수가 늘어날수록 연산 비용이 급격히 증가한다. 또한 EnKF는 가우시안 가정에 기반하므로, 비선형·비가우시안 잡음이 강한 경우 성능 저하가 예상된다. 마지막으로, 현재 구현에서는 물리식이 완전히 누락된 경우가 아니라 ‘일부 파라미터가 미지’인 상황에 초점을 맞추고 있어, 완전한 물리식 부재 상황에 대한 일반화는 추가 연구가 필요하다.

전반적으로 iPINNER는 다목적 진화 최적화와 베이시안 데이터 동화 기법을 결합함으로써, 기존 PINN이 갖는 학습 불균형과 잡음 민감성을 효과적으로 보완한다는 점에서 의미 있는 진전이다.