학습과 검증: 물리 기반 신경망의 엄격한 오류 경계 구축

초록

본 논문은 PINN(Physics‑Informed Neural Network)으로 얻은 근사해에 대해, 두 단계 “학습‑검증” 프레임워크를 제안한다. 학습 단계에서는 이중 평활 최대(Doubly Smoothed Maximum, DSM) 손실과 변분 학습을 이용해 하위·상위 해(서브·슈퍼 솔루션)를 동시에 학습하고, 검증 단계에서는 구간 산술과 적응형 구간 분할을 통해 수학적으로 엄격한 a‑posteriori 오류 경계를 제공한다. 비선형 ODE 실험을 통해 진정한 해를 포함하는 구간을 성공적으로 얻음으로써 과학적 머신러닝의 신뢰성을 높였다.

상세 분석

본 연구는 기존 PINN이 제공하는 근사해의 정확성을 검증할 수 없다는 근본적인 한계를 해결하고자 “Learn and Verify”라는 두 단계 프로세스를 설계하였다. 첫 번째 학습 단계에서는 기존 PINN 구조에 추가적으로 두 개의 비음성 출력 네트워크(vθ, wθ)를 도입해, 원래 근사해 ŭ̂θ(t)와 결합하여 하위해 uθ(t)=Ŭ̂θ(t)−vθ(t)와 상위해 ūθ(t)=Ŭ̂θ(t)+wθ(t)를 만든다. 이때 핵심은 DSM(Doubly Smoothed Maximum) 손실이다. DSM은 미분 불평등(du/dt ≤ f, du/dt ≥ f)을 부드러운 최대값 근사로 변환해, 경계 위반 정도를 연속적으로 측정함으로써 최적화가 수치적으로 안정되고, 미분 불연속점에서도 그래디언트가 정의될 수 있게 한다. 또한 변분 학습(Variation Learning)을 통해 하위·상위 해의 폭을 직접 제어한다. 이는 기존 PINN이 단순히 잔차를 최소화하는 것과 달리, 해의 존재와 구간 포함을 보장하는 구조적 제약을 학습에 포함시킨다.

두 번째 검증 단계에서는 IEEE‑754 표준의 하향·상향 반올림 모드를 활용한 구간 산술을 적용한다. 구간