다중해를 찾는 디플레이션 PINN 프레임워크

본 논문은 비선형 편미분방정식(PDE) 분야에서 물리 기반 신경망(PINN)이 하나의 해만을 찾는 한계를 극복하고, 유한 개의 서로 다른 해를 동시에 학습할 수 있는 새로운 프레임워크 “Deflation‑PINN”을 제안한다. 연구 동기는 액정 물리학에서 널리 사용되는 Landau‑de Gennes(LdG) 모델처럼 복잡한 에너지 지형을 가지고 다수의 평형 상태가 존재하는 문제에 있다. 기존 방법으로는 HomPINN, 무작위 초기화 기반 다중 PINN, 혹은 DeepONet을 이용한 연산자 학습 등이 있었지만, 각각 데이터 의존성, 해 중복, 파라미터 비효율성 등의 문제점을 가지고 있었다. 논문은 크게 네 부분으로 구성된다. 1. **배경 및 관련 연구**에서는 PINN, VPINN, DeepONet 등 물리‑기반 머신러닝 기법을 정리하고, 다해 탐색을 위한 기존 시도들을 비판적으로 검토한다. 특히 HomPINN은 반지도 학습을 필요로 하고, 무작위 초기화 방식은 해의 중복과 자원 낭비가 심하다는 점을 강조한다. 2. **방법론**에서는 두 가지 핵심 요소를 제시한다. - **아키텍처 설계**: 기존 DeepONet은 입력 함수 f와 센서 포인트를 통해 연산자를 근사한다. 여기서는 입력이 필요 없는 K개의 고정된 특징 벡터 β_k∈ℝ^p(“Branch Weights”)를 도입하고, τ_i(x)라는 깊은 신경망을 통해 공간 좌표에 대한 기저 함수를 학습한다. 최종 출력은 ˜G(k,x)=∑_{i=1}^p τ_i(x)·β_{k,i} 로, 각 k에 대해 서로 다른 해 u_k(x)를 직접 근사한다. 이렇게 하면 파라미터 수가 K·p 로 제한되어, 센서 포인트 수 S가 K보다 클 경우에도 효율적으로 학습할 수 있다. - **디플레이션 손실**: 해들 간의 최소 L2 거리 d_min을 강제하기 위해 L_Def를 정의한다. L_Def는 모든 (i,j) 쌍에 대해 max(1‑‖˜G(i)‑˜G(j)‖/d_min,0) 를 평균한 형태이며, 값이 0이면 모든 해가 d_min 이상 떨어져 있음을 의미한다. 전체 손실은 물리 기반 일반화 오차 E_G와 디플레이션 손실을 가중치 α,β 로 결합한 L_total=α∑_k E_G(˜G(k)) + β L_Def 로 구성된다. 3. **경계조건 하드 제약**: 다중 목표 손실에서 하이퍼파라미터 α_i 선택이 어려운 문제를 피하기 위해, 신경망 자체가 경계조건을 만족하도록 설계한다. Ω가 별형(star‑shaped)이라고 가정하고, 중심 x_0에 대한 방사형 거리 함수 r_{Ω,x0}를 정의한다. 이후 매끄러운 스케일링 함수 h와 마스크 ω̃(x)=h(‖x‑x_0‖/r_{Ω,x0}(x)) 를 이용해 ˜f(x)=f(θ,φ)·(1‑ω̃(x)) 로 경계값을 정확히 재현한다. 이는 자동 미분을 통한 PDE 연산자 계산에만 집중하게 하여 최적화 효율을 높인다. 4. **이론적 분석**: 연속·비다항 활성함수 σ와 Banach 공간 X 위의 임의의 K개의 목표 함수 {u_n}에 대해, 충분히 큰 은닉 차원 p와 파라미터 집합 {ζ_i, ω_i}가 존재해 ‖u_n(y)‑∑_i β_i σ(ω_i·y+ζ_i)‖<ε 를 만족함을 증명한다. 이는 기존 DeepONet 보편성 정리를 특수화한 것으로, 제안된 구조가 유한 개의 해를 임의의 정확도로 근사할 수 있음을 보장한다. 또한 디플레이션 손실이 L2 거리 하한을 만족하도록 설계되었음이 수학적으로 증명된다. **실험**에서는 2‑D와 3‑D Landau‑de Gennes 모델을 대상으로, 다양한 초기 조건과 파라미터 설정에서 K=3~5개의 서로 다른 평형 상태를 성공적으로 복원하였다. 각 해는 자유에너지 최소화에 따른 토폴로지적 결함(예: 디스클레이네이션, 스케일링 결함)과 서로 다른 정렬 패턴을 보이며, FEM 기반 해와 높은 정량적 일치를 보였다. 디플레이션 파라미터 d_min과 β의 값에 따라 해의 분리 정도와 수렴 속도가 달라지는 것이 관찰되었으며, 적절한 튜닝을 통해 최소 10배 이상의 학습 시간 절감과 메모리 사용 감소를 달성했다. 마지막으로 논문은 **한계와 향후 연구**를 논의한다. 현재는 정적 PDE와 고정된 경계조건에 초점을 맞췄으며, 시간 의존 PDE, 비선형 경계조건, 혹은 대규모 3‑D 복합 물질 모델에 대한 확장은 추가적인 구조적 개선이 필요하다. 또한 디플레이션 손실의 자동 하이퍼파라미터 선택 방법과, 해의 토폴로지적 특성을 직접 손실에 반영하는 방법도 향후 연구 과제로 제시한다. 결론적으로, Deflation‑PINN은 기존 PINN이 갖는 “단일 해” 제한을 근본적으로 해소하고, 물리 기반 학습 프레임워크 내에서 다해 탐색을 체계적으로 수행할 수 있는 강력한 도구임을 입증한다.