1. 연구 배경 및 문제 정의 (Problem)

물리 법칙을 기반으로 한 신경망 (Physics-Informed Neural Networks, PINNs) 과 연산자 학습 (Operator Learning, 예: DeepONet, FNO) 모델은 매개변수화된 편미분방정식 (PDE) 을 해결하는 데 강력한 대안으로 부상했습니다. 그러나 기존 방법론들은 다음과 같은 세 가지 주요 결합된 과제를 안고 있습니다:

1. 손실 함수의 균형 문제: 데이터/연산자 손실 (Data/Operator Loss) 과 물리 잔차 손실 (Physics Residual Loss) 간의 가중치를 수동으로 조정 (Ad hoc weighting) 해야 하며, 이는 최적의 해를 찾는 것을 어렵게 만듭니다.
2. 노이즈 및 희소 데이터에 대한 취약성: 실제 응용에서는 관측 데이터에 노이즈가 포함되거나 데이터가 희소한 경우가 많으며, 이러한 조건에서 기존 모델의 성능이 급격히 저하되거나 학습이 불안정해집니다.
3. 불확실성 정량화 (Uncertainty Quantification, UQ) 부재: 기존 경사 하강법 (Adam 등) 기반의 결정론적 최적화 방식은 모델 예측의 신뢰도를 나타내는 불확실성 정보를 제공하지 못합니다.

2. 제안된 방법론 (Methodology: Morephy-Net)

저자들은 이러한 문제를 해결하기 위해 Morephy-Net이라는 새로운 프레임워크를 제안했습니다. 이는 물리 정보 연산자 학습에 진화적 다목적 최적화 (Evolutionary Multi-Objective Optimization) 와 복제 교환 (Replica-Exchange) 기법을 통합한 하이브리드 접근법입니다.

핵심 구성 요소

1. 물리 정보 Deep Operator Network (PI-DON) 아키텍처:

   • DeepONet 구조를 기반으로 하며, Branch Net(초기 조건 또는 PDE 매개변수 입력) 과 Trunk Net(공간 - 시간 격자 정보 입력) 으로 구성됩니다.
   • Fourier 합성곱 계층을 추가하여 전역 의존성과 장기 상호작용을 효과적으로 포착하도록 개선했습니다.

2. 진화적 다목적 최적화 (Evolutionary Multi-Objective Optimization):

   • NSGA-III (Non-dominated Sorting Genetic Algorithm III) 적용: 데이터 손실과 물리 잔차 손실을 별도의 목적 함수로 취급하여 파레토 최적 해 (Pareto-optimal solutions) 를 탐색합니다. 이를 통해 수동적인 손실 가중치 조정을 불필요하게 합니다.
   • 정제된 파레토 샘플링 (Refined Pareto Sampling, RPS): 기존 NSGA-III 의 단점인 파레토 프론트 상의 국소 군집화 (clustering) 를 해결하기 위해 제안되었습니다. 파레토 프론트 상에서 서로 다른 목적 함수 값을 가진 대표적 해를 재선택하여 샘플링 다양성을 높입니다.

3. 복제 교환 확률적 경사 랑주뱅 역학 (Replica-Exchange SGLD, reSGLD):

   • 글로벌 탐색 강화: 고온 (High-temperature) 사슬은 넓은 에너지 지형을 탐색하여 국소 최소값 (Local Minima) 에서 탈출하고, 저온 (Low-temperature) 사슬은 유망한 최적점 주변을 정밀하게 탐색합니다.
   • 상태 교환 (State Exchange): 서로 다른 온도의 사슬 간에 주기적으로 상태를 교환하여 수렴 속도를 높이고 전역 최적해를 찾습니다.
   • 편향 보정: 미니배치 노이즈로 인한 편향을 보정하기 위해 가우스 섭동 모델을 도입한 수정된 교환 수용률 (Corrected Swap Acceptance Rate) 을 사용합니다.

4. 베이지안 불확실성 정량화 (Bayesian UQ):

   • reSGLD 를 통해 모델 파라미터의 사후 분포 (Posterior Distribution) 를 샘플링함으로써, 예측의 평균과 분산을 계산하여 신뢰구간 (Confidence Interval) 을 제공합니다.

3. 주요 기여 (Key Contributions)

1. 수동 가중치 제거: NSGA-III 를 통해 데이터/연산자 손실과 물리 법칙 잔차 손실을 독립적인 목적 함수로 처리하여, 파레토 프론트 탐색을 통해 최적의 균형을 자동으로 찾습니다.
2. 샘플링 다양성 향상: 파레토 프론트 상의 국소 군집화를 방지하고 다양한 해를 확보하기 위해 정제된 파레토 샘플링 (RPS) 전략을 도입했습니다.
3. 효율적인 전역 탐색: reSGLD를 활용하여 고온 사슬의 탐색 능력과 저온 사슬의 정밀 조정을 결합함으로써, 비볼록 (Non-convex) 최적화 문제에서의 수렴 속도와 정확도를 향상시켰습니다.
4. 내재적 불확실성 정량화: 확률적 샘플링 메커니즘을 통해 순방향 (Forward) 및 역방향 (Inverse) PDE 문제 모두에 대해 신뢰할 수 있는 불확실성 정보를 제공합니다.

4. 실험 결과 (Results)

저자들은 1 차원 Burgers 방정식과 시간 분수 혼합 확산 - 파동 방정식 (TFMDWEs) 을 사용하여 Morephy-Net 을 검증했습니다. 비교 대상은 DeepONet, 물리 정보 DeepONet (PI-DON), 물리 정보 Fourier DeepONet (PI-FDON) 입니다.

• 순방향 문제 (Forward Problems):

  • Burgers 방정식: 충격파 (Shock front) 와 같은 급격한 기울기를 가진 해를 Morephy-Net 이 가장 정확하게 복원했습니다. 다른 모델들은 비물리적인 진동 (Oscillations) 을 보인 반면, Morephy-Net 은 95% 신뢰구간 내에서 참값을 완벽하게 포착했습니다.
  • TFMDWEs: Morephy-Net 은 다른 모든 모델보다 낮은 L2 상대 오차 (0.0955) 를 기록하며 가장 높은 정확도를 보였습니다.

• 역방향 문제 (Inverse Problems):

  • 매개변수 추정: Burgers 방정식의 점성도 ($\nu$) 와 TFMDWEs 의 분수 차수 ($\alpha$) 를 추정하는 과제에서 Morephy-Net 이 가장 정확한 매개변수 값을 예측했습니다.
  • 노이즈 내성: 관측 데이터에 50% 수준의 노이즈를 추가한 실험에서도 Morephy-Net 은 다른 모델들에 비해 훨씬 낮은 오차와 안정적인 예측을 보여주었습니다. 특히, 다른 모델들이 충격파 영역에서 큰 오차를 보일 때, Morephy-Net 은 신뢰구간을 통해 불확실성을 정량화하며 물리 법칙을 준수하는 해를 제공했습니다.

5. 의의 및 결론 (Significance)

Morephy-Net 은 물리 정보 기반 연산자 학습 분야에서 다음과 같은 중요한 의의를 가집니다:

• 신뢰성 있는 과학적 추론: 결정론적 모델의 한계를 넘어, 예측의 신뢰도를 정량화할 수 있는 불확실성 정량화 (UQ) 기능을 내장하여 노이즈가 있는 실제 데이터 환경에서도 신뢰할 수 있는 의사결정을 지원합니다.
• 자동화된 최적화: 손실 함수 가중치 조정에 의존하지 않는 다목적 최적화 접근법은 복잡한 PDE 문제 해결을 위한 보다 일반적이고 자동화된 프레임워크를 제공합니다.
• 확장성: 향후 Kolmogorov-Arnold Networks (KAN) 와의 결합, 데이터 동화 (Data Assimilation) 적용, 난류 유동 (Navier-Stokes 방정식) 해결 등으로 확장 가능성이 높습니다.

요약하자면, Morephy-Net 은 다목적 최적화, 복제 교환 샘플링, 불확실성 정량화를 통합하여 기존 PINNs 및 연산자 학습 모델이 가진 노이즈 취약성, 손실 균형 문제, 불확실성 부재라는 세 가지 핵심 한계를 동시에 해결한 혁신적인 프레임워크입니다.