파동 산란 문제에서 경계요소법과 물리 정보 신경망의 성능 비교

초록

본 연구는 2차원 헬름홀츠 방정식으로 기술되는 파동 산란 문제에 대해 경계요소법(BEM)과 물리‑정보 신경망(PINN)을 동일 조건에서 비교한다. BEM은 경계 이산화와 적분 방정식 해석을, PINN은 잔차 최소화를 통한 학습을 이용한다. 정확도와 계산 시간을 기준으로 실험을 수행했으며, 동일한 오차 수준에서 BEM은 약 10⁻² 초, PINN은 약 10² 초의 훈련 시간이 소요된다. 훈련 후 PINN은 내부 점에서의 평가가 약 10⁻² 초로 BEM보다 두 차례 빠르다.

상세 분석

이 논문은 파동 산란을 위한 전형적인 원형 장애물 모델을 선택하고, 헬름홀츠 방정식의 외부 문제를 두 가지 수치 해법으로 접근한다. BEM은 경계만을 이산화하고, 2차원 헬름홀츠 그린함수를 이용해 경계 적분 방정식을 구성한다. 특이점 처리와 가우시안 사분법을 통해 영향 계수를 정확히 계산하고, 선형 시스템을 직접 해석한다. 반면 PINN은 입력으로 (x, y) 좌표를 받아 실·허수 부분을 출력하는 다층 퍼셉트론을 구축한다. 손실 함수는 내부 영역의 방정식 잔차, 내부 경계(Neumann) 조건, 인공 경계(ABC) 조건을 각각 L₂ 제곱합으로 정의하고, 라틴 하이퍼큐브 샘플링으로 콜로케이션 포인트를 배치한다. 하이퍼파라미터 탐색을 통해 최적 구성은 3개의 은닉층, 각 층당 25개의 뉴런, 학습률 1e‑2, 사인 활성화 함수이다. Adam 옵티마이저를 사용해 약 10² 초 동안 학습하며, 손실이 사전에 정의된 허용오차에 도달하면 종료한다.

성능 비교에서는 BEM과 PINN 모두 L₂ 오차 기준으로 동일한 정확도 구간을 설정하였다. BEM은 경계 적분점 수를 증가시켜 정확도를 향상시킬 수 있지만, 시스템 어셈블리와 솔버 단계에서 O(N³) 수준의 연산 비용이 발생한다. 실험 결과, 10⁴ 수준의 적분점에서 BEM의 전체 처리 시간은 0.01 초 내외이며, 이는 전통적인 FEM 대비 크게 빠른 편이다. 반면 PINN은 학습 단계에서 수백만 번의 자동 미분과 역전파 연산을 수행하므로 100 초 정도가 소요된다. 그러나 학습이 완료된 후에는 한 번의 전방 연산만으로 수천 개의 내부 점에 대한 해를 즉시 얻을 수 있어, 평가 시간은 0.01 초 수준으로 BEM의 후처리(내부 점 평가)보다 약 100배 빠르다.

또한 방사 조건 구현 측면에서 차이가 있다. BEM은 그린함수 자체가 Sommerfeld 방사 조건을 만족하도록 설계돼 무한 도메인에서 정확한 외부 해를 제공한다. PINN은 인공 경계에 ABC를 적용했으며, 방사 조건을 완벽히 만족하지 못해 먼 거리에서의 감쇠 특성이 약간 왜곡될 수 있다. 이는 학습 데이터에 포함된 경계점이 제한적이기 때문이며, PML이나 더 정교한 ABC를 도입하면 개선 가능하다.

결론적으로, BEM은 높은 정확도와 즉시 해 제공이 장점이며, 특히 경계가 단순하고 방사 조건이 명확히 정의된 문제에 적합하다. PINN은 초기 학습 비용이 크지만, 학습 후 다중 파라미터(주파수, 경계 형태) 변화를 손쉽게 반영할 수 있는 유연성을 제공한다. 향후 연구에서는 하이브리드 전략(예: BEM 기반 데이터로 PINN 사전학습)이나, 고주파·복잡한 형상에 대한 스케일링 성능을 조사할 필요가 있다.