인공지능 기반 편미분방정식 해법의 최신 동향과 전산역학 적용

초록

본 리뷰는 인공지능(AI)과 전통적인 과학을 융합한 AI for Science 흐름 속에서, 특히 편미분방정식(PDE) 해결을 위한 AI 기술(AI for PDEs)의 최신 연구 동향을 정리한다. 물리‑정보 신경망(PINN), 딥 에너지 방법(DEM), 연산자 학습, 물리‑정보 신경연산자(PINO) 등 주요 알고리즘을 소개하고, 고체역학, 유체역학, 생체역학 분야에서의 적용 사례를 분석한다. 또한 데이터와 물리 법칙을 동시에 활용함으로써 전통 수치해법을 가속화하고, 향후 전산역학의 기반 모델로서의 가능성을 제시한다.

상세 분석

이 논문은 AI for PDEs를 크게 세 가지 패러다임—강형 PINN, 에너지형 PINN(DEM), 연산자 학습—으로 구분하고, 각각의 수학적 기반과 구현상의 장단점을 상세히 비교한다. 강형 PINN은 PDE 잔차를 직접 손실에 포함시켜 자동 미분을 활용, 고차원 문제에서도 몬테카를로 샘플링으로 손실을 추정함으로써 차원의 저주를 완화한다는 장점이 있다. 그러나 비선형 최적화 문제의 병목, 수렴성 부족, 계산 비용 증가 등 실용적 한계가 지적된다. 에너지형 PINN(DEM)은 변분 원리를 이용해 전체 시스템 에너지를 최소화하는 방식으로, 특히 변형이 큰 고체 문제에서 메쉬 프리 특성을 유지하면서 물리적 일관성을 확보한다. 하지만 에너지 형태 손실 설계가 문제마다 달라야 하며, 복합 물성 모델에 대한 일반화가 아직 미흡하다. 연산자 학습은 DeepONet, Fourier Neural Operator(FNO) 등으로 대표되며, 입력 함수와 출력 함수 사이의 연산자를 직접 학습한다. 이 접근법은 데이터 양이 풍부할 때 높은 정확도와 격자 독립성을 제공하지만, 물리적 제약이 부족하면 과적합 위험이 있다. PINO는 연산자 학습에 물리적 손실을 결합해 데이터 효율성을 높이고, 물리 법칙을 강제함으로써 일반화 능력을 향상시킨다. 논문은 또한 강화학습 기반 PDE 제어, 생성형 서러게이트 모델, 대규모 foundation model과의 연계 등 신흥 연구 방향을 제시한다. 전반적으로 AI for PDEs는 전통 FEM·FDM 등 수치해법을 완전히 대체하기보다는, 하이브리드 형태로 가속기와 전이 학습을 제공함으로써 멀티스케일·멀티피직스 시뮬레이션에 혁신을 가져올 잠재력을 강조한다.