fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations

기술적 요약: 다항 시간 분수 혼합 확산-파동 방정식을 위한 fPINN-DeepONet

문제 제기
본 논문은 다항 시간 분수 혼합 확산 - 파동 방정식 (TFMDWEs) 을 해결하는 데 따른 과제를 다룹니다. 이러한 방정식은 단일 항 시간 분수 편미분방정식 (TFPDEs) 을 일반화한 것으로, 비정상 확산 과정, 점탄성 감쇠, 그리고 속도장에서의 아 - 확산 운동을 모델링하는 데 필수적입니다. 구체적인 문제는 다음과 같은 형태의 방정식을 포함합니다:
$$\sum_{i=1}^s K_i {}_0^C D_t^{\alpha_i} u(x, t) = \Delta u(x, t) + f(x, t)$$
여기서 분수 차수 $\alpha_i$는 0 과 2 사이에서 변할 수 있으며, 방정식은 서로 다른 차수를 가진 여러 항을 포함할 수 있습니다. 전통적인 수치 방법 (유한 차분법, 유한 요소법, 스펙트럴 방법) 은 분수 미분의 비국소적 성질과 고차원 또는 가변 차수 시나리오에서의 계산 비용 기하급수적 증가로 인해 이러한 문제를 해결하는 데 어려움을 겪습니다. 또한, 기존 딥러닝 접근법은 종종 L1 근사에 의존하거나 단일 항 방정식에 초점을 맞추어, 다항 및 가변 차수 분수 편미분방정식 (FPDEs) 을 효율적으로 처리하는 데 있어 공백이 존재합니다.

방법론
저자들은 새로운 수치 근사와 Deep Operator Network(DeepONet) 아키텍처를 통합한 물리 정보 기반 심층 연산자 학습 프레임워크인 fPINN-DeepONet을 제안합니다.

1. 분수 미분을 위한 L2 근사:
   핵심 수치적 기여는 차수 $\beta \in (1, 2)$인 Caputo 분수 미분에 대한 L2 근사의 유도입니다. 이는 1 차 정확도를 달성합니다. 저자들은 이를 차수 $\alpha \in (0, 1)$에 대한 표준 L1 근사와 결합합니다. 이러한 근사들은 손실 함수 내의 시간 분수 미분을 이산화하는 데 사용되어, 신경망이 분수 항에 대한 명시적 격자 기반 솔버를 요구하지 않고도 물리 기반 잔차를 계산할 수 있게 합니다.

2. DeepONet 아키텍처:
   이 프레임워크는 다음으로 구성된 DeepONet 구조를 활용합니다:

   • 브랜치 네트워크 (Branch Net): 입력 함수를 인코딩합니다. 문제 유형에 따라 이 입력은 소스 항 $f(x,t)$, 초기 조건, 또는 가변 차수 문제의 경우 분수 차수 함수 $\alpha(x,t)$가 될 수 있습니다. 입력은 일련의 센서 점에서 이산화됩니다.
   • 트렁크 네트워크 (Trunk Net): 시공간 영역 내의 쿼리 좌표 $(x, t)$를 처리합니다.
   • 출력: 브랜치와 트렁크 출력의 내적은 입력 함수를 해 $u(x,t)$로 매핑하는 해 연산자 $G^\dagger$를 근사합니다.

3. 손실 함수 구성:
   훈련 목표는 총 손실 함수 $L = L_{phy} + L_{data}$를 최소화하는 것입니다:

   • 물리 손실 ($L_{phy}$): 지배 FPDE 잔차, 초기 조건, 그리고 경계 조건을 포함합니다. 중요하게도, 잔차 내의 분수 미분 항은 네트워크가 예측한 출력에 적용된 제안된 L2/L1 근사를 사용하여 계산됩니다.
   • 데이터 손실 ($L_{data}$): 예측된 해와 이용 가능한 실제 데이터 (있는 경우) 간의 평균 제곱 오차를 측정합니다.

4. 알고리즘:
   논문은 두 가지 구체적인 알고리즘을 상세히 설명합니다:

   • 알고리즘 1: 브랜치 네트워크 입력이 소스 항 또는 초기 조건인 고정 분수 차수 FPDE 를 해결합니다.
   • 알고리즘 2: 브랜치 네트워크 입력이 분수 차수 함수 $\alpha(x,t)$인 가변 분수 차수 FPDE 를 해결하여, 모델이 서로 다른 차수 구성 전반에 걸쳐 일반화할 수 있게 합니다.

주요 기여

• 새로운 근사 체계: Caputo 분수 미분 (차수 $\beta \in (1, 2)$) 에 대한 L2 근사의 유도 및 물리 정보 기반 신경망 프레임워크로의 통합.
• 다항 FPDE 를 위한 연산자 학습: 통일된 프레임워크 내에서 고정 및 가변 분수 차수를 모두 처리하는 다항 시간 분수 혼합 확산 - 파동 방정식에 대한 DeepONet 의 최초 적용.
• 문제 유형에서의 다양성: 이 프레임워크는 순방향 문제 (해 예측), 역문제 (분수 차수 식별) 를 해결하고, 불연속 분수 차수 및 고차원 공간 영역을 처리하는 것으로 입증되었습니다.
• 강건성: 모델은 노이즈가 있는 데이터 조건에서 테스트되었으며, 최대 80% 의 가우시안 노이즈 수준에 대한 내성을 입증했습니다.

실험 결과
저자들은 PyTorch 라이브러리를 사용하여 광범위한 수치 실험을 수행했습니다:

• 고정 차수 문제: 모델은 고정 차수 (예: $\alpha=0.5, \beta=1.5$) 를 가진 FODE 및 FPDE 에 대해 높은 정확도를 달성했으며, TFMDWE 의 경우 상대 $L_2$ 오차가 $10^{-6}$까지 낮았습니다.
• 가변 차수 문제: 이 프레임워크는 분수 차수 $\alpha$가 시간의 함수 $\alpha(t)$또는 시공간의 함수 $\alpha(x,t)$인 FPDE 에 대한 해를 성공적으로 학습했습니다. 역문제에서는 상대 오차가 약 $10^{-5}$인 분수 차수 함수를 정확하게 복원했습니다.
• 불연속 차수: 모델은 불연속 분수 차수 (계단 함수) 를 효과적으로 처리하여, 차수 함수의 점프를 $L_2$ 상대 오차 0.0014 로 포착했습니다.
• 고차원: 이 접근법은 2 차원 공간 영역으로 확장되어 고차원 FPDE 에 대한 실현 가능성을 입증했습니다.
• 노이즈 강건성: 강제 항에 20% 에서 80% 의 가우시안 노이즈가 추가되었음에도 불구하고, 테스트 오차는 $10^{-2}$ 주변에서 안정적으로 유지되어 모델의 강건성을 확인했습니다.
• 하이퍼파라미터 민감도: 실험은 데이터 포인트가 증가하고 네트워크 폭/깊이가 최적화됨에 따라 테스트 오차가 감소함을 보여주었으며, 200x200 데이터 포인트와 폭 150 의 네트워크로 $\sim 10^{-5}$의 오차를 달성했습니다.

의의 및 주장
본 논문은 fPINN-DeepONet 이 복잡한 분수 편미분방정식을 해결하기 위한 전통적인 격자 기반 방법에 비해 다재다능하고 효율적인 대안을 제공한다고 주장합니다. L2 근사와 연산자 학습을 통합함으로써, 이 프레임워크는 분수 미분의 비국소적 성질과 관련된 계산 병목 현상을 극복합니다. 저자들은 그들의 접근 방식이 다음과 같음을 강조합니다:

1. 우수한 일반화: 모든 새로운 차수 구성마다 전체 아키텍처를 재훈련할 필요 없이 고정 및 가변 분수 차수, 불연속 사례를 모두 처리합니다.
2. 데이터 요구 사항 감소: 물리 정보 기반 방법으로서 지배 방정식을 활용하여 해 공간을 제약하므로, 순수 데이터 기반 접근법에 비해 라벨이 지정된 데이터 포인트가 적게 필요합니다.
3. 강건성 유지: 상당한 노이즈가 존재하는 상황에서도 정확도를 유지하여 데이터가 불완전한 실제 시나리오에 적합합니다.

이 연구는 과학적 머신러닝의 한 걸음으로 자리 잡으며, 특히 다항 및 가변 차수 FPDE 에 대한 L2 근사와 심층 연산자 학습의 결합이라는 탐구되지 않은 영역을 다루고 있습니다.