Caramel LabCaramel Lab
#

편미분방정식

4편의 한국어 분석 — 최신순으로 정렬했어요

컴퓨터 과학발표 2026.09· 1최근 1년 1회

비선형 유한요소 해 연산자 학습

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 …

물리학발표 2026.04· 21최근 1년 20회

계산역학 AI 기반 편미분방정식 해법

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.…

물리학발표 2025.11· 41최근 1년 40회

재료 모델링 및 설계의 물리 정보 신경망

물리 정보 신경망(PINNs)은 물리 법칙을 손실 함수에 통합하여 데이터 기반 딥러닝과 물리 모델을 결합한 신경망입니다. 이는 편미분 방정식으로 제어되는 순방향 및 역방향 문제에 유망하고 유연한 해결책 또는 대체 모델로 활용되며, 최근 몇 년간 물리학 및 공학 분야의 다양한 문제에 적용되어 왔습니다. 본 연구는 PINNs의 재료 과학 응용에 초점을 맞춰 포괄적인 분석을 제시합니다. PINNs의 기본 형태와 구성 요소를 검토하고, 성능 향상 전략을 확장하며, 실제 구현의 다양한 측면을 탐구합니다. 재료 모델링의 경우, 문헌에서 발…

물리학발표 2025.07· 122최근 1년 122회

PDE 문제 해결을 위한 PINN 종합 리뷰

인공지능 과학 분야의 지속적인 발전과 함께, 물리 정보 신경망(PINN)은 과학 컴퓨팅 및 딥러닝 영역에서 변혁적인 접근 방식으로 부상했습니다. 이는 편미분 방정식(PDE) 및 기타 복잡한 물리 시스템을 해결하기 위한 강력하고 유연한 프레임워크를 제공합니다. PINN은 물리 법칙을 신경망 아키텍처에 직접 통합함으로써, 모델이 알려진 물리 법칙을 따르면서도 가용한 데이터에 적합하도록 도메인별 지식을 통합할 수 있게 합니다. 본 논문에서는 다양한 PDE 문제에 걸쳐 PINN의 최신 발전 및 응용에 대한 포괄적인 개요를 제공합니다. …

연구 트렌드로 돌아가기