물리 기반 뮤른츠 사츠 네트워크를 이용한 스케일링 지수 발견

초록

본 논문은 물리 정보를 결합한 Müntz‑Szász 네트워크(MSN‑PINN)를 제안한다. 해를 파워‑법 기반의 선형 결합으로 표현하고, 지수와 계수를 학습 파라미터로 두어 PDE 잔차와 경계조건을 손실에 포함한다. 이론적으로 지수의 식별 가능성을 증명하고, 잡음 및 희소 샘플링 하에서 오차가 $O(|\mu-\alpha|^2)$ 로 수렴함을 보인다. 실험에서는 라플라스 코너 특이점, 강제 항이 있는 포아송 문제, 40가지 위쪽 각도 설정 등에서 0.01% 수준의 정확도로 지수를 복원하며, 물리 기반 제약을 추가한 학습이 정확도를 3 order 이상 향상시킴을 확인한다.

상세 분석

MSN‑PINN은 기존 PINN이 해의 형태를 숨기는 문제를 해결하기 위해, 해를 $u_{\theta}(x)=\sum_{k=1}^{K}c_k x^{\mu_k}$ 형태의 Müntz‑Szász 전개로 직접 모델링한다. 여기서 $\mu_k$와 $c_k$는 각각 학습 가능한 지수와 계수이며, $\mu_k$는 물리적으로 의미 있는 스케일링 지수로 해석된다. 논문은 먼저 이 전개가 파워‑법 함수를 정확히 표현할 수 있음을 제시하고, 기존 ReLU 기반 MLP가 동일 정확도를 얻기 위해 $\mathcal{O}(\varepsilon^{-2})$개의 뉴런을 필요로 하는 반면, MSN은 단일 항으로도 정확히 재현한다는 점을 강조한다.

이론적 분석에서는 세 가지 핵심 결과를 제시한다. 첫째, Müntz‑Szász 정리와 그 확장을 이용해 $C