데이터 기반 모델프리 물리정보 딥오넷

**1. 서론** 동적 시스템의 상태 추정과 예측은 과학·공학 전반에서 핵심 과제이다. 전통적으로는 시스템을 정확히 기술하는 미분방정식이나 방대한 실험·시뮬레이션 데이터를 활용해 모델을 구축한다. 그러나 실제 현장에서는 정확한 수식이 없거나 실험 비용이 커서 데이터가 제한적인 경우가 많다. 이러한 문제점을 인식하고, 저자들은 제한된 데이터와 불완전한 모델 정보를 활용해 비선형 동적 시스템을 학습할 수 있는 새로운 프레임워크를 제안한다. **2. 배경 이론** - **Physics‑informed Neural Networks (PINN)**: 데이터 손실과 물리 손실을 결합한 손실함수로 PDE 해를 학습한다. 하지만 물리식이 필요하다는 한계가 있다. - **Deep Operator Network (DeepONet)**: 함수‑함수 매핑을 학습하는 연산자 네트워크로, 브랜치와 트렁크 두 서브네트워크로 구성된다. 데이터가 풍부할 때 강력하지만, 데이터가 부족하면 성능이 저하된다. - **짧은‑시간 의존성**: 연속‑시간 ODE를 작은 샘플링 간격으로 이산화하면 현재 상태가 과거 n 단계의 상태·입력에만 의존한다는 정리(정리 2.1)를 이용한다. 이는 시스템 차수 n만 알면 구조적 제약을 도출할 수 있음을 의미한다. **3. 방법론** 3.1 **짧은‑시간 의존성 학습** - 시스템 차수 n을 사전에 알고 있다고 가정한다(예: 2차 진동계 → n=2). - 과거 n개의 상태와 입력을 입력으로, 현재 최고 차수 미분값을 출력으로 하는 머신러닝 모델 γ를 학습한다. - 이 모델은 실제 물리식 F(·)를 대체하는 ‘가상의 물리 연산자’ 역할을 한다. 3.2 **Model‑free Physical‑informed DeepONet** - **브랜치 네트워크**에 서브모델 γ의 파라미터와 과거 데이터를 결합한다. - **트렁크 네트워크**는 시간·공간 좌표를 인코딩한다. - 손실함수 L = w_D L_D + w_P L_P, 여기서 L_P는 서브모델 γ가 예측한 미분값과 DeepONet이 출력한 상태 간의 차이를 측정한다. - 최적화는 Adam으로 초기 학습 후 L‑BFGS로 정밀 조정한다. **4. 실험 및 결과** 네 가지 비선형 동적 시스템을 대상으로 실험을 수행하였다. 1) **2차 비선형 진동계**(스프링‑댐퍼): 입력은 외부 힘, 출력은 변위·속도. 2) **3차 로봇 팔 관절**: 관절 각도와 토크를 입력으로, 각도 변화를 예측. 3) **비선형 전기‑기계 시스템**: 전압·전류를 입력, 회전 속도를 출력. 4) **혼합형 다중 자유도 시스템**: 복합 입력·출력 구조. 각 실험에서 (a) 기존 DeepONet, (b) 물리‑정보 DeepONet(정확한 PDE 사용), (c) 제안 모델을 비교하였다. 데이터 양을 100 %에서 5 %까지 감소시켰을 때, 제안 모델은 평균 MAE가 0.02~0.05 수준으로 유지되었으며, 기존 DeepONet은 데이터가 20 % 이하일 때 급격히 오차가 증가하였다. 또한, 물리‑정보 DeepONet은 정확한 PDE가 필요하지만, 제안 모델은 차수 정보만으로 유사한 성능을 달성하였다. **5. 논의** 제안 방법의 강점은 (i) 물리식이 없어도 시스템 차수만으로 구조적 제약을 활용, (ii) 서브모델을 통해 물리 정보를 손실에 직접 삽입, (iii) 제한된 데이터에서도 높은 일반화 능력. 한계점은 서브모델의 정확도가 전체 성능에 크게 영향을 미치며, 차수 n을 사전에 알아야 한다는 전제이다. 향후 연구에서는 차수 자동 추정, 서브모델을 미분 연산자 형태로 변환, 그리고 불확실성 정량화를 목표로 할 수 있다. **6. 결론** 본 논문은 데이터가 부족하고 물리식이 불명확한 상황에서도 비선형 동적 시스템을 효과적으로 학습할 수 있는 모델‑프리 물리‑인포메드 DeepONet 프레임워크를 제시한다. 짧은‑시간 의존성을 서브머신러닝 모델로 추출하고 이를 DeepONet에 통합함으로써, 기존 방법 대비 데이터 효율성과 예측 정확도에서 현저한 개선을 보였다. 이 접근법은 실시간 제어, 디지털 트윈, 그리고 비용이 높은 실험 환경에서의 시스템 식별 등에 유용하게 적용될 수 있다.