불확실성 인식 역문제 해결을 위한 베이지안 물리 기반 신경망 BPINNIP

초록

본 논문은 선형 역문제에 베이지안 프레임워크를 결합한 물리‑정보 신경망(BPINN‑IP)을 제안한다. 사전분포와 물리 법칙을 손실에 포함시키고, 변분 추론 및 Monte‑Carlo dropout을 이용해 사후 평균과 분산을 추정한다. 적외선 이미지 복원과 초해상도 복원 실험을 통해 정확도와 불확실성 정량화 능력을 입증한다.

상세 분석

BPINN‑IP는 전통적인 PINN에 베이지안 추론을 도입함으로써 두 가지 핵심 목표를 달성한다. 첫째, 사전 지식(예: 이미지의 스무스성, 온도 분포의 통계적 특성)을 확률적 형태로 모델링하여 가중치와 출력 모두에 대한 사전분포를 정의한다. 이는 특히 관측 노이즈가 큰 상황에서 과적합을 방지하고 물리적 일관성을 유지한다. 둘째, 사후분포를 직접 추정함으로써 점 추정값뿐 아니라 픽셀 단위의 불확실성(분산)까지 제공한다. 논문에서는 가우시안 사전·우도 가정 하에 선형 역문제의 해가 다시 가우시안이 되는 폐쇄형 해를 제시하고, 이를 신경망 학습 목표에 통합한다. 손실함수는 세 부분으로 구성된다. (1) 데이터 재구성 오차 ‑ 관측값과 신경망이 생성한 출력이 물리 연산(H·f̂)과 일치하도록 하는 항, (2) 출력 정합 오차 ‑ 신경망 출력과 알려진 라벨(있는 경우) 사이의 차이, (3) 사전 정규화 ‑ 가중치와 출력에 대한 베이지안 사전의 로그우도 항이다. 감독학습과 비감독학습을 모두 다루며, 비감독 경우에는 물리적 잔차만으로 손실을 구성한다는 점이 특징이다.

추론 단계에서는 학습된 가중치의 사후 평균 ˆw를 사용해 새로운 관측 g에 대해 E