⚡ electrical engineering

A data-driven model-free physical-informed deep operator network for solving nonlinear dynamic system

이 논문은 제한된 실험 데이터와 불완전한 수학적 정보만으로도 비선형 동적 시스템의 거동을 학습할 수 있도록, 단기 의존성을 추출하는 대리 모델을 물리 정보로 통합한 데이터 기반 모델 프리 물리 정보 심층 연산자 네트워크 (DeepOnet) 프레임워크를 제안합니다.

원저자: Jieming Sun, Lichun Li

게시일 2026-02-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jieming Sun, Lichun Li

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🎯 핵심 주제: "비밀스러운 기계의 작동 원리를, 적은 단서로 알아내는 법"

상상해 보세요. 여러분 앞에 낯선 기계가 있습니다. 이 기계는 버튼을 누르면 어떤 소리를 내거나 움직입니다. 하지만 이 기계가 어떻게 작동하는지 설명하는 매뉴얼 (수식) 은 없고, 실험을 해볼 수 있는 기회도 5 번밖에 없습니다.

기존의 인공지능 (DeepOnet) 은 이 문제를 해결하려면 매뉴얼이 있거나, 수천 번의 실험 데이터가 있어야만 잘 작동했습니다. 데이터가 부족하면 엉뚱한 소리를 하거나, 매뉴얼이 없으면 아예 작동하지 않았죠.

이 논문은 **"데이터가 적고 매뉴얼도 없어도, 기계가 '단순히' 어떻게 변하는지 (짧은 시간 동안의 패턴) 를 먼저 학습해서, 그 지식을 인공지능에 심어주자"**는 아이디어를 제시합니다.

🧩 이 방법이 작동하는 3 단계 (비유로 설명)

1 단계: "최근 2~3 분간의 패턴을 먼저 파악하기" (Short-term Dependence)

비유: 여러분이 친구의 기분을 예측한다고 가정해 봅시다. 친구의 과거 10 년 인생을 다 알 필요는 없습니다. 다만, **"방금 전까지 친구가 웃고 있었다면, 지금도 웃을 확률이 높다"**는 짧은 시간의 흐름 (Short-term dependency) 을 알면 됩니다.
논문 내용: 복잡한 물리 법칙을 다 알지 못해도, 시스템은 "최근의 상태와 입력"이 "다음 상태"를 결정한다는 짧은 시간의 규칙을 따릅니다. 연구팀은 적은 데이터로 이 **'짧은 시간의 규칙'**을 먼저 학습하는 작은 인공지능 (대리 모델) 을 만들었습니다.

2 단계: "규칙을 등교 가방에 넣어주기" (Physical-informed)

비유: 이제 큰 인공지능 (DeepOnet) 이 있습니다. 이 친구는 데이터가 너무 적어서 망설이고 있습니다. 이때, 1 단계에서 만든 작은 인공지능이 **"이런 식으로 움직이는 게 자연스러운 흐름이야!"**라고 알려줍니다. 마치 등교할 때 친구가 "오늘 비가 오니까 우산 챙겨!"라고 알려주는 것과 같습니다.
논문 내용: 이 작은 인공지능이 알려준 '짧은 시간의 규칙'을 큰 인공지능의 **학습 규칙 (물리 정보)**으로 추가합니다. 이제 큰 인공지능은 막연하게 데이터만 외우는 게 아니라, "이런 흐름은 자연스럽다"는 물리 법칙을 알고 있게 됩니다.

3 단계: "최고의 예언가가 되다" (Training & Prediction)

비유: 이제 이 인공지능은 적은 데이터만으로도, 처음 보는 상황에서도 기계가 어떻게 움직일지 정확하게 예측할 수 있습니다. 소음이 섞인 데이터 (시끄러운 환경) 가 와도 흔들리지 않고 정확한 답을 내놓습니다.
논문 내용: 이렇게 만들어진 모델은 기존 방법보다 훨씬 적은 데이터로도 정확도가 높고, 노이즈 (오류) 가 있어도 강건하게 작동함을 실험으로 증명했습니다.

🧪 실험 결과: "실제 사례로 증명하다"

연구팀은 이 방법을 세 가지 다른 상황에 적용해 보았습니다.

진자 (Pendulum): 흔들리는 진자를 세우는 상황.
진동자 (Driven Oscillator): 외부 힘에 의해 흔들리는 스프링.
카오스 시스템 (Chaotic Jerk): 예측하기 매우 어려운 복잡한 움직임.

결과:

기존 방법 (DeepOnet): 데이터가 부족하거나 소음이 있으면 예측이 빗나가거나, 진자처럼 단순한 경우에도 오차가 컸습니다.
새로운 방법: 적은 데이터 (5 개 세트) 로도 기존 방법보다 훨씬 정확하게 움직임을 예측했습니다. 특히 소음이 섞인 데이터에서도 훨씬 안정적인 모습을 보였습니다.

💡 요약: 왜 이 연구가 중요한가요?

이 논문은 **"완벽한 정보와 엄청난 데이터가 없어도, 우리는 시스템의 핵심 흐름을 파악할 수 있다"**는 것을 보여줍니다.

기존: "매뉴얼이 있거나 데이터가 천만 개 있어야 해."
이 논문: "매뉴얼은 없고 데이터도 5 개뿐?没关系 (괜찮아)! 최근 2~3 분의 흐름만 파악해서 인공지능에게 가르쳐주면 돼."

이는 실제 공학, 의학, 기후 연구 등에서 데이터를 얻기 어렵거나 시스템의 정확한 수식을 모르는 상황에서도 인공지능을 활용할 수 있는 새로운 길을 열어줍니다. 마치 적은 단서로 미스터리한 사건을 해결하는 명탐정 같은 역할을 하는 것입니다.

논문 기술 요약: 데이터 기반 모델 프리 물리 정보 Deep Operator Network

1. 연구 배경 및 문제 정의 (Problem)

현황: 기존의 물리 정보 Deep Operator Network (DeepOnet) 는 시스템의 정확한 수학적 공식 (미분 방정식 등) 이나 다양한 시나리오에 대한 방대한 양의 데이터를 기반으로 구축됩니다.
문제점: 실제 동적 시스템 (Dynamic Systems) 에서는 정확한 수학적 공식을 얻기 어렵거나, 실험 비용 및 제약으로 인해 데이터가 매우 제한적인 (Sparse) 경우가 많습니다.
핵심 과제: 제한된 실험 데이터와 시스템 물리 법칙에 대한 불완전한 정보 (예: 미분 방정식의 차수는 알지만 정확한 식은 모름) 하에서 비선형 동적 시스템의 상태를 추정하고 예측하는 것.

2. 제안된 방법론 (Methodology)

저자들은 데이터 기반 (Data-Driven), 모델 프리 (Model-Free), 물리 정보 (Physics-Informed) DeepOnet 프레임워크를 제안합니다. 이 방법은 시스템의 물리 법칙을 직접 알지 못하더라도 데이터 내의 '단기 의존성 (Short-term Dependence)'을 활용하여 물리 정보를 대체합니다.

핵심 개념: 단기 의존성 (Short-term Dependence)
- 이산화된 동적 시스템 (Euler 방법 등으로 샘플링된 경우) 은 충분히 작은 샘플링 주기 하에서 과거 $n$ 단계의 상태와 입력에만 의존한다는 정리 (Theorem 2.1) 를 기반으로 합니다. 여기서 $n$ 은 시스템 미분 방정식의 최고 차수입니다.
- 즉, 현재 상태 $x(t)$ 는 과거 상태 $x(t-n) \dots x(t-1)$ 과 입력 $u(t-n) \dots u(t-1)$ 의 함수로 표현될 수 있습니다.
구체적 아키텍처 및 절차:
1. 서로게이트 모델 (Surrogate ML Model) 학습:
  - 이용 가능한 제한된 데이터를 활용하여 시스템의 단기 의존성을 학습합니다.
  - 과거 상태와 입력을 입력으로 받아, 가장 높은 차수의 미분 값 (예: $\ddot{x}(t)$ 또는 $\dddot{x}(t)$ ) 을 예측하는 피드포워드 신경망 (FFNN) 을 훈련시킵니다. 이는 시스템의 물리 법칙을 근사하는 '대체 모델' 역할을 합니다.
2. 물리 정보 DeepOnet 통합:
  - 기존 DeepOnet 구조 (Branch Net: 초기 조건 및 제어 입력 시퀀스 처리, Trunk Net: 시간/공간 좌표 처리) 를 사용합니다.
  - 물리 정보 손실 함수 (Physics-Informed Loss): DeepOnet 이 예측한 상태 $\hat{x}(t)$ 와 그 미분값들을 Auto-Differentiation 을 통해 계산합니다. 이를 앞서 학습된 서로게이트 모델에 입력하여 예측된 최고 차수 미분값 $\frac{d^n \bar{x}}{dt^n}$ 을 구합니다.
  - DeepOnet 의 예측 미분값과 서로게이트 모델의 예측 미분값 사이의 오차를 물리 정보 손실 ( $L_P$ ) 로 정의하여, DeepOnet 을 훈련시킵니다.
3. 최종 목적: 제어 입력과 초기 조건이 주어졌을 때 시스템의 동적 응답을 정확하게 시뮬레이션합니다.

3. 주요 기여 (Key Contributions)

모델 프리 (Model-Free) 접근: 시스템의 정확한 미분 방정식 식을 알지 못하더라도, 미분 방정식의 '차수'만 알면 단기 의존성을 통해 물리 정보를 추출할 수 있습니다.
소량 데이터 효율성: 기존 DeepOnet 이 대량의 데이터를 필요로 하는 반면, 제안된 방법은 제한된 실험 데이터 (예: 5 세트의 훈련 데이터) 만으로도 높은 정확도를 달성합니다.
하이브리드 프레임워크: PINN(물리 법칙 기반) 의 강점과 DeepOnet(연산자 학습) 의 강점을 결합하되, 물리 법칙을 데이터에서 학습된 '서로게이트 모델'로 대체하여 적용 범위를 확장했습니다.

4. 실험 결과 (Results)

저자들은 세 가지 다른 비선형 동적 시스템 (2 차 ODE 2 개, 3 차 ODE 1 개) 에 대해 제안된 방법을 검증했습니다.

테스트 시스템:
1. 진자 시스템 (Pendulum): 2 차 ODE. 제어 입력 하에서 안정화되는 시스템.
2. 구동 진동자 시스템 (Driven Oscillator): 2 차 ODE. 외부 힘에 의해 약하게 불안정해지는 시스템.
3. 카오스 저크 시스템 (Chaotic Jerk System): 3 차 ODE. 초기 조건에 민감한 카오스 시스템.
성능 비교 (제안 방법 vs. 기존 DeepOnet):
- 노이즈 없는 데이터: 모든 시스템에서 제안된 방법이 기존 DeepOnet 보다 평균 절대 오차 (MAE) 가 현저히 낮았습니다.
  - 예: 진자 시스템 (MAE 6.23 vs 17.98), 진동자 시스템 (MAE 16.69 vs 36.22).
- 노이즈 있는 데이터 (측정 오차 포함): 가우시안 노이즈가 추가된 데이터에서도 제안된 방법은 Savitzky-Golay 필터 등을 통해 노이즈를 처리하면서도 기존 DeepOnet 보다 훨씬 견고한 (Robust) 성능을 보였습니다.
  - 예: 카오스 저크 시스템 (MAE 18.7 vs 22.2).
- 시각적 결과: 제안된 방법은 실제 값의 추세를 훨씬 더 정확하게 따라가며, DeepOnet 은 특정 구간에서 큰 편차를 보였습니다.

5. 의의 및 결론 (Significance)

실용적 가치: 실제 공학 및 과학 분야에서 정확한 수학적 모델 구축이 어렵거나 데이터 수집 비용이 높은 상황에서, 제한된 정보만으로도 신뢰할 수 있는 시스템 상태 추정 (Offline State Estimation) 이 가능함을 입증했습니다.
확장성: 고차 미분 방정식 시스템 (3 차 ODE 포함) 및 카오스 시스템에서도 효과적으로 작동하여 복잡한 비선형 동적 시스템 해석에 대한 새로운 패러다임을 제시합니다.
미래 전망: 데이터 기반 방법론과 물리 정보의 융합을 통해, 불완전한 지식을 가진 시스템에서도 정밀한 예측이 가능함을 보여주며, 불확실성이 존재하는 현실 세계의 문제 해결에 큰 잠재력을 가지고 있습니다.

요약: 이 논문은 정확한 물리 모델과 방대한 데이터가 부재한 상황에서도, 시스템의 단기 의존성을 머신러닝으로 학습하여 이를 DeepOnet 의 물리 정보로 활용하는 혁신적인 프레임워크를 제시했습니다. 이를 통해 소량의 데이터만으로도 기존 DeepOnet 보다 정확하고 노이즈에 강한 동적 시스템 예측이 가능함을 실험적으로 증명했습니다.