편미분방정식(PDE, Partial Differential Equation) 풀이를 위한 물리 정보 신경 연산자(PINO, Physics-Informed Neural Operator) 훈련 방법론을 체계적으로 분석한 연구가 arXiv에 공개됐다. PINO는 입출력 데이터 쌍에만 의존하는 순수 데이터 기반 방식과 달리, 물리 법칙을 훈련 목적 함수에 직접 반영해 시뮬레이션 데이터 없이도 방정식의 해를 학습하는 신경망 방법론이다. 이를 통해 신경 연산자가 가진 사례 간 일반화 능력과, 물리 정보 신경망(PINN, Physics-Informed Neural Network)의 데이터 효율성을 결합하는 것이 목표다.
연구팀은 PINO 훈련 파이프라인의 핵심 구성 요소를 중심으로 분석을 진행했다. 아키텍처 선택, 최적화 기법, 손실 균형 조정, 정합점(collocation point) 샘플링 전략이 주요 검토 대상이었다. 딥 연산자 네트워크(DeepONet), 푸리에 신경 연산자(FNO), 연속 비전 트랜스포머(CViT) 세 가지 연산자 구조를 다섯 가지 매개변수 편미분방정식 시스템에 걸쳐 비교 실험한 결과, CViT가 전반적으로 안정적이고 우수한 성능을 보였다. 또한 PINN 훈련에서 알려진 기울기 충돌(gradient conflict)이나 인과 위반(causal violation) 같은 최적화 병리 현상이 PINO 훈련에서도 동일하게 나타남을 확인했으며, 이에 대응하는 PINN용 완화 알고리즘이 PINO 환경에서도 유효하다는 점을 입증했다.
연구팀은 데이터 가용성 수준에 따라 물리 기반 훈련과 순수 데이터 기반 훈련을 비교해, 잘 설계된 물리 정보 파이프라인이 데이터 기반 방식과 동등하거나 경우에 따라 이를 능가할 수 있음을 실험적으로 보였다. 이번 연구는 PINO 최적화 과제에 대한 실증적 이해를 체계화하고, 효율적이고 견고한 물리 정보 연산자 학습을 위한 실용적 훈련 가이드라인을 제시한다는 의의가 있다. 코드와 데이터는 GitHub를 통해 공개됐다.
