구조화 모델 학습에서 PDE 비선형항의 유일성 및 수렴성 연구

초록

본 논문은 기존 물리 모델에 데이터 기반 비선형 항 f를 추가하는 구조화 모델 학습 프레임워크를 제시한다. 완전하고 잡음 없는 측정이 주어질 때 f를 함수 공간 W¹,∞ 내의 정규화 최소화 해로서 유일하게 복원할 수 있음을 증명하고, 제한된 잡음·불완전 측정으로부터 신경망 파라미터화된 fθ 를 학습할 경우, 적절한 정규화와 네트워크 구조 가정 하에 fθ 가 f 에 수렴함을 보인다. 핵심은 L^ρ 노름과 ∥∇·∥_{L∞} 노름을 결합한 정규화가 유일성 확보와 함수 수렴에 필수적이라는 점이다.

상세 분석

이 연구는 물리 기반 PDE 모델에 존재하는 미지 비선형항 f(t,u) 를 데이터로부터 식별하는 문제를 ‘구조화 모델 학습(structured model learning)’이라는 새로운 관점에서 접근한다. 기존의 전통적 전 모델 학습은 전체 미분 방정식을 파라미터화된 신경망으로 대체하는 반면, 여기서는 이미 알려진 물리항 F(t,u,ϕ) 를 그대로 유지하고, 미세 물리 현상을 설명하는 추가 항 f 만을 학습한다는 점에서 차별성을 가진다.

핵심 이론적 기여는 두 가지이다. 첫째, 완전하고 잡음이 없는 측정 K†u = ŷ 가 주어졌을 때, 정규화 함수 R†(ϕ,u,f)=R₀(ϕ,u)+‖f‖{L^ρ}+‖∇f‖{L∞} 가 엄격히 볼록(strongly convex)하므로 최소화 문제
\