일반화 KdV 방정식 PINN 오차 경계
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.