하이브리드 웨이블릿 푸리에 네트워크로 복잡한 운동 방정식 해결하다

초록

본 연구는 물리 법칙을 내재한 신경망(PINN)의 최신 변종인 물리 정보 콜모고로프-아르놀드 네트워크(PIKAN)에 다중 해상도 하이브리드 웨이블릿-푸리에 임베딩을 접목한 HWF-PIKAN을 제안한다. 이 모델은 매끄러운 구조와 불연속적인 특징을 동시에 정확히 포착할 수 있어, 1D/2D 평류 방정식 및 고차원 위상 공간에서의 충돌 없는 볼츠만 방정식(CBE) 해결에 기존 방법 대비 뛰어난 정확도와 빠른 수렴 속도를 보였다.

상세 분석

이 논문의 기술적 핵심은 기존 PINN/PIKAN이 가진 ‘스펙트럼 편향’ 한계를 극복하기 위한 혁신적인 특징 임베딩 전략에 있다. 스펙트럼 편향이란 신경망이 저주파수(매끄러운) 성분은 쉽게 학습하지만 고주파수(급격한 변화) 성분은 학습하기 어려운 현상을 말한다. HWF-PIKAN은 입력 좌표를 두 가지 방식으로 동시에 매핑한다: 첫째, 정수 주파수의 사인/코사인 함수를 사용한 ‘푸리에 임베딩’은 도메인 전반에 걸친 전역적이고 부드러운 변화를 포착한다. 둘째, 리커(멕시칸 햇) 웨이블릿 기반의 ‘웨이블릿 임베딩’은 다양한 스케일(2^j)로 공간을 분해하고, 각 스케일마다 균일한 간격의 중심점을 두어 국소적이고 급격한 변화(예: 충격파, 필라멘테이션)를 감지한다. 이 하이브리드 특징 벡터가 KAN의 B-스플라인 기반 비선형 변환 계층에 입력된다. KAN은 콜모고로프-아르놀드 정리에 기반하여 고차원 함수를 일변량 함수의 계층적 합성으로 분해하는 구조로, 기존 MLP의 노드 중심 활성화와 달리 ‘간선(edge)‘마다 독립적인 활성화 함수(가중된 B-스플라인 기저)를 갖는 것이 특징이다. 이 구조는 해석 가능성을 높이며 고차원 함수 근사에 효율적이다. 실험 결과, HWF-PIKAN은 연속 및 불연속 초기 조건을 가진 평류 문제에서 우수한 성능을 보였을 뿐만 아니라, CBE 해결에서 가장 중요한 도전 과제인 ‘위상 공간 필라멘테이션’과 같은 미세 구조를 정확히 재현했다. 이는 연속 속도 공식화와 결합되어 전통적인 메쉬 기반 방법이 겪는 속도 공간 이산화의 부담을 없애는 동시에, 다중 스케일 물리 현상을 단일 메쉬 없는 프레임워크로 모델링할 수 있는 강력한 가능성을 제시한다.