다중 레벨 딥 프레임워크를 이용한 PDE 솔버

초록

본 논문은 멀티그리드 기법에서 영감을 받아, 딥러닝 기반 PDE 솔버를 다중 레벨 학습과 적응형 샘플링으로 확장한다. 각 레벨에서는 잔차와 기울기를 이용해 고주파 영역에 샘플을 집중시키고, 이전 레벨의 네트워크 출력을 합산해 새로운 PDE를 정의함으로써 저주파와 고주파 오류를 순차적으로 감소시킨다. 이론적 수렴 증명과 다양한 수치 실험을 통해 제안 방법의 효율성을 입증한다.

상세 분석

이 연구는 최근 딥러닝 기반 PDE 해석기법이 저주파 성분은 빠르게 학습하지만 고주파 성분은 수렴이 느리다는 “주파수 원리(Frequency Principle)”를 근본적인 한계로 인식한다. 전통적인 멀티그리드 방법은 고주파 오류를 미세 격자에서, 저주파 오류를 거친 격자에서 각각 효과적으로 감소시키는 구조적 장점을 가지고 있다. 논문은 이러한 멀티그리드의 계층적 오류 전이 메커니즘을 딥 뉴럴 네트워크 학습 과정에 매핑한다. 구체적으로, 첫 번째 레벨에서는 균일히 샘플링된 콜로케이션 포인트를 이용해 초기 네트워크 u(x;θ₁)를 학습한다. 이후 잔차 r(x;θ₁)=𝓛