본 연구는 무한 영역에 놓인 1차원 일반화 Korteweg-de Vries(gKdV) 모델의 아임계 및 임계 비선형성에 대한 딥러닝 기반 수치 근사법의 엄밀한 설정을 탐구한다. 모델이 무한한 실수 공간에 정의되어 있어 Kato, Bourgain, Kenig, Ponce, Vega 등의 복잡한 진동 추정 기법을 기반으로 하는 기존 학습 방법론을 적용하기 어렵다는 문제가 있었다.
이러한 난제를 해결하기 위해, 기존의 복잡한 추정 기법들을 딥러닝 환경에 맞게 재구성하는 작업을 수행했다. 특히, Kenig-Ponce-Vega 노름과 물리 정보 신경망(PINN)을 활용하여 근사 체계를 구축하고, 각 임계 및 아임계 gKdV 모델에 대한 근사 오차의 엄밀한 경계를 증명하였다.
이러한 결과는 솔리톤, 다중 솔리톤, 브리더 등 다양한 gKdV 비선형 패턴의 해에 대한 명확한 근사 결과를 제공한다. 본 연구는 무한 영역에서의 비선형 편미분 방정식에 딥러닝을 적용하는 데 있어 중요한 이론적 기반을 마련했다.
수리생물학에서 메커니즘 기반 동역학 모델은 핵심적이지만, 미지의 생물학적 메커니즘, 부분적 관측, 희소하고 노이즈가 많은 데이터, 매개변수 불확실성 등으로 인해 실제 적용에 한계가 있습니다. 딥러닝은 유연한 범용 근사자를 제공하는 반면, 메커니즘 모델은 구조, 해석 가능성 및 과학적 제약을 제공합니다.
본 논문은 메커니즘-AI 결합 동역학 시스템에 대한 연구를 검토하고 정리하며, 특히 전염병 모델링의 기초 및 응용에 중점을 둡니다. 범용 미분 방정식 및 물리 정보 신경망 기반 학습 방법, 기호 회귀 및 희소 모델 발견 기반 설명 방법, 수렴 및 불확실성 정량화를 통한 신뢰성 분석을 논의합니다.
주요 응용 분야로는 유효 재생산수 추정, 행동 변화 메커니즘 발견, 최적 전염병 제어, 마지막 계층 베이즈 불확실성 정량화, 임계량의 물리 정보 재구성 등이 있습니다. 이러한 접근 방식은 순전히 경험적인 예측자로 수학적 모델을 대체하는 것이 아닙니다.
본 연구의 목표는 훈련 가능한 표현이 누락된 메커니즘을 학습하고, 해석 가능한 도구가 이를 설명하며, 신뢰성 분석을 통해 학습된 메커니즘의 신뢰도를 정량화하는 수학적 기반과 계산 워크플로우를 개발하는 데 있습니다.
