대규모 파동장 재구성을 위한 물리 내장 신경망

초록

**
본 논문은 전통적인 PINN이 고주파 파동을 학습할 때 나타나는 스펙트럴 바이어스와 최적화 불안정을 극복하기 위해, 물리적 지식을 네트워크 구조에 직접 삽입하는 PE‑PINN을 제안한다. 파동의 고주파 성분을 물리 기반 커널로 분리하고, 학습 가능한 저주파 엔벨로프만을 신경망이 예측하도록 설계한 ‘엔벨로프 변환 레이어’를 도입함으로써 수렴 속도가 10배 이상 가속되고, 메모리 사용량은 FEM 대비 수 주문위 감소한다. 2D·3D 전자기 파동 재구성 실험에서 높은 정확도와 실시간 수준의 계산 효율을 입증하였다.

**

상세 분석

**
이 연구는 기존 PINN이 손실함수에 물리식(헬름홀츠 방정식·경계조건)만을 삽입해 학습하는 방식의 근본적인 한계를 짚고, 물리 정보를 네트워크 구조 자체에 내재시키는 새로운 패러다임을 제시한다. 핵심 아이디어는 파동장을 ‘고주파 커널 × 저주파 엔벨로프’ 형태로 분해하는 것으로, 커널 Ψₘ(x)는 물리적으로 정의된 평면파·구면파 형태를 갖고, 소스 위치·재료 경계·스넬의 법칙 등으로 파라미터화된다. 이렇게 하면 신경망이 학습해야 할 대상은 급격히 변동하는 위상 대신 부드러운 엔벨로프 Aₘ(x)뿐이므로, 신경망 고유의 스펙트럴 바이어스가 크게 완화된다.

엔벨로프 변환 레이어는 완전연결층 뒤에 삽입되어, 출력값을 Aₘ(x)·Ψₘ(x) 형태로 재조합한다. 또한, 각 파동 성분에 대한 가중치 wₘ(x)를 도입해 입사·반사·투과 파를 공간적으로 구분하고, 물리적 경계에서 자동으로 스위칭하도록 설계하였다. 이는 복잡한 재료 불연속이나 다중 반사 현상을 효과적으로 처리한다.

구조적 측면에서 저자는 (1) 입사·산란 필드 분리를 위한 두 개의 서브 네트워크, (2) 재료별 도메인 분할을 통한 서브 네트워크 별 맞춤형 아키텍처, (3) 잔차 기반 적응 재학습(RAR)과 동적 프루닝을 결합한 샘플링 전략을 제안한다. 특히 RAR은 높은 잔차를 보이는 영역에 훈련 포인트를 집중시켜 최적화 안정성을 크게 향상시킨다.

실험 결과는 두드러진 효율성을 보여준다. 3D 실내 환경(크기 ≈ 20 λ)에서 기존 PINN은 26시간 이상 학습이 수렴하지 못했으나, PE‑PINN은 18분 내에 수렴하였다. 메모리 측면에서도 COMSOL FEM이 12.5 TB의 RAM을 요구하는 반면, PE‑PINN은 24 GB 이하의 GPU 메모리만 사용한다. 정확도는 FEM 기준 L2 오차 1 % 이하를 유지하면서도, 고주파(>5 GHz) 파동에서도 스펙트럴 바이어스가 거의 관측되지 않았다.

한계점으로는 커널 수 M과 파라미터 선택이 문제마다 경험적으로 조정되어야 한다는 점, 그리고 복잡한 비선형 재료(예: 비등방성·비선형 매질)에서는 커널 형태를 사전 정의하기 어려워 추가 연구가 필요하다는 점을 언급한다. 전반적으로 물리 정보를 네트워크 구조에 직접 삽입함으로써 대규모 파동 시뮬레이션의 계산·메모리 병목을 크게 완화한 점이 가장 큰 공헌이다.

**