물리학 기반 AI의 근본적 결함과 위험성
물리학 기반 신경망(PINN)과 설명 가능한 인공지능(XAI)은 데이터 모델링과 물리 법칙 통합, 그리고 해석 가능한 예측 능력으로 인해 공학 분야에서 널리 채택되고 있습니다. 그러나 이러한 방법론들은 그 성공에도 불구하고, 시스템의 무결성을 저해하고 눈에 띄지 않는 체계적인 위험을 내포하고 있습니다. 본 연구는 문헌 검토와 고전 역학 사례 연구를 통해 세 가지 상호 연결된 실패 모드를 식별했습니다. 첫째, PINN은 이상화된 지배 방정식을 사용해 다중 스케일 현상, 경계 복잡성, 비선형 결합 등 핵심적인 요소를 종종 누락합니다. 둘째, 사후 설명 가능성 방법론은 통계적 상관관계에 기반한 설명을 생성하여 인과 원리와 충돌할 수 있으며, 이는 보존 법칙을 위반하거나 실제 메커니즘을 오해하게 만드는 설명을 초래할 수 있습니다. 가장 중요한 셋째 실패 모드는 이러한 결함들이 오류의 곱셈적 전파를 야기한다는 점입니다. 이는 정량화 가능한 오류를 가진 전통적인 수치 방법과 달리, 물리적으로 그럴듯해 보이는 예측을 통해 잘못된 신뢰를 형성하고 중요한 누락을 은폐합니다. 본 논문은 이러한 실패 모드가 공학 시스템에 미치는 구체적인 결과를 제시하고, PINN 및 XAI의 적절한 배포를 위한 권고 사항을 제공하여 공학자들이 겉으로는 신뢰할 수 있으나 실제로는 결함을 숨기고 있는 방법론으로 인해 발생할 수 있는 체계적인 위험에 대비할 수 있도록 돕습니다.