본 연구는 편미분 방정식(PDE)으로 기술되는 비선형 문제의 해 연산자를 학습하는 방법론을 개발하고 평가합니다. 이 접근 방식은 유한요소 이산화를 기반으로 하며, 문제 데이터 변수를 입력으로 받아 유한요소 해를 예측하는 다층 퍼셉트론(MLP)을 통해 해 연산자를 표현합니다. 입력 변수는 경계 조건, 계수, 우변 등 입력 데이터의 매개변수화에 해당하며, 출력은 해당 유한요소 해의 근사치입니다.
손실 함수로는 PDE의 에너지 범함수를 활용하여 각 요소에서 에너지를 국부적으로 조립하는 효율적인 병렬 학습 알고리즘을 구현합니다. 대규모 문제의 경우, 각 반복에서 메쉬 내 무작위로 선택된 일부 요소만을 사용하여 학습 과정을 효율적으로 수행할 수 있습니다.
개발된 방법론은 여러 관련 테스트 사례에서 평가되었으며, 유한요소 해 연산자를 학습하는 것이 그 자체로 유익할 뿐만 아니라 표준 유한요소법(FEM) 이론 및 소프트웨어와의 결합을 통해 더욱 효과적임이 입증되었습니다.
이 연구는 비선형 PDE 문제 해결을 위한 새로운 딥러닝 기반 접근 방식을 제시하며, 기존 유한요소법과의 시너지를 통해 복잡한 공학 및 과학 문제 해결에 기여할 수 있습니다.
최근 인공지능(AI)은 다양한 분야에서 핵심적인 역할을 수행하며, 특히 과학 분야에 AI를 접목하는 'AI for Science' 연구가 주목받고 있습니다. 이 중 계산역학 분야에서는 편미분방정식(PDEs) 해결에 AI 알고리즘을 활용하는 'AI for PDEs'가 중요한 연구 주제로 부상하고 있습니다. AI for PDEs는 데이터와 PDEs의 융합을 통해 거의 모든 PDEs를 해결할 수 있는 잠재력을 가집니다.
본 연구는 AI for PDEs에 대한 포괄적인 문헌 검토를 제공하며, 기존 알고리즘과 이론을 체계적으로 요약합니다. 다루는 AI for PDEs 알고리즘에는 물리 정보 신경망(PINNs), 심층 에너지 방법(DEM), 연산자 학습, 물리 정보 신경 연산자(PINO) 등이 포함됩니다.
이러한 AI for PDEs 방법론들은 고체역학, 유체역학, 생체역학 등 계산역학의 여러 분야에서 성공적으로 적용될 수 있음을 보여줍니다. AI for PDEs는 대량의 데이터를 활용하여 특정 문제에 대한 근사해를 도출하고, 물리 법칙에 따라 미세 조정함으로써 전통적인 알고리즘처럼 처음부터 계산할 필요가 없어 과학 시뮬레이션의 새로운 패러다임을 제시합니다.
결론적으로, AI for PDEs는 계산역학 분야의 미래 기반 모델(foundation model)의 원형으로서, 기존 수치 알고리즘의 속도를 획기적으로 향상시킬 수 있는 중요한 기술적 진보를 대표합니다.
