고차원 확률 및 공간 영역을 위한 확장 가능한 물리 기반 딥 생성 모델

초록

본 논문은 고차원 확률 공간과 고차원 물리(공간) 영역 모두를 효율적으로 다룰 수 있는 확장 가능한 물리‑인포드 딥 생성 모델(sPI‑GeM)을 제안한다. sPI‑GeM은 물리‑인포드 기반 함수 근사 네트워크(PI‑BasisNet)와 딥 생성 적대적 네트워크(PI‑GeM)로 구성되며, PCA와 유사한 차원 축소를 통해 공간 차원의 스케일러빌리티를 확보한다. 다양한 가우시안·비가우시안 확률 과정, 전방·역방 SDE 문제에 대해 50차원 이상의 확률 차원과 20차원 이상의 공간 차원을 성공적으로 해결함을 실험으로 입증한다.

상세 분석

본 연구는 기존 물리‑인포드 딥러닝(PINN, PI‑GeM 등)이 확률 차원에서는 어느 정도 확장성을 보였지만, 공간 차원이 2차원을 넘어설 경우 계산 비용이 급증해 실용성이 떨어지는 문제점을 정확히 짚어냈다. 이를 해결하기 위해 저자는 두 단계의 구조적 접근을 제안한다. 첫 번째 단계인 PI‑BasisNet은 DeepONet/PI‑DeepONet과 유사한 두 서브네트워크(NN_C와 NN_B)를 이용해 입력(확률 변수 혹은 관측 데이터)과 공간 좌표를 각각 처리하고, 이들의 내적을 통해 근사 해 u_NN(U,x)=∑_{i=1}^p ψ_i(U)ϕ_i(x)를 만든다. 여기서 ψ_i는 확률적 계수, ϕ_i는 공간 기반 함수이며, 자동 미분을 통해 PDE 연산자를 직접 네트워크에 삽입함으로써 물리 제약을 학습한다. 두 번째 단계인 PI‑GeM은 GAN 기반 생성 모델(WGAN‑GP)을 사용해 ψ_i의 분포 P_ψ를 학습한다. 기존 GAN이 고차원 샘플(수천 개 포인트) 자체를 직접 생성하려 하면 MMD·KL·W‑1 거리 계산에 필요한 샘플 수가 폭발하지만, sPI‑GeM은 공간 차원을 ϕ_i라는 저차원 기저함수 집합으로 압축하고, 오직 ψ_i(p) 차원만을 생성한다. 따라서 차원 축소 효과가 PCA와 동일하게 작용하면서도 비선형성을 유지한다.

학습 과정은 두 단계로 나뉜다. (1) PI‑BasisNet은 데이터 손실 L_data와 물리 잔차 L_eq를 가중합한 L_a를 최소화한다. 여기서 L_data는 경계 조건과 관측값에 대한 MSE, L_eq는 PDE 연산자를 자동 미분해 얻은 잔차의 MSE이다. (2) PI‑GeM은 훈련된 BasisNet으로부터 얻은 ψ 샘플을 실제 데이터로 삼아, WGAN‑GP의 생성자 손실 L_G와 판별자 손실 L_D(그라디언트 페널티 포함)를 교대로 최적화한다. 알고리즘 1에 제시된 미니배치 방식으로 Monte‑Carlo 샘플링을 활용해 기대값을 근사한다.

핵심적인 기술적 기여는 다음과 같다. 첫째, 물리‑인포드 기저 학습과 딥 생성 모델을 결합해 확률·공간 차원의 이중 스케일러빌리티를 달성했다. 둘째, ψ_i 차원을 p(보통 수십)로 제한함으로써 고차원 공간에서의 거리/손실 계산 비용을 실질적으로 감소시켰다. 셋째, 전방 문제(주어진 f, b로부터 u를 예측)와 역방 문제(λ 혹은 연산자 파라미터를 추정) 모두에 적용 가능하도록 손실 함수를 일반화했다. 넷째, 실험에서는 38‑차원 확률 변수와 20‑차원 공간을 동시에 다루는 전방 SDE 사례를 포함해, 기존 방법이 다루기 어려운 고차원 설정에서도 높은 정확도와 빠른 수렴을 보였다.

또한, 저자는 sPI‑GeM이 기존 PCE·KLE와 같은 전통적 차원 축소 기법보다 비선형 표현력이 뛰어나며, GAN 기반 학습으로 복잡한 비가우시안 분포도 효과적으로 포착한다는 점을 강조한다. 한계점으로는 기저 함수 개수 p를 선택하는 기준이 경험적이며, 매우 높은 차원(수백)에서는 여전히 학습 안정성 문제가 남아있을 수 있다는 점을 언급한다. 향후 연구에서는 자동 차원 선택, 다중 스케일 기저 설계, 그리고 물리‑인포드 변분 오토인코더와의 결합을 통해 더욱 일반화된 프레임워크를 구축하고자 한다.