편미분방정식(PDE) 해집합의 유한차원 임베딩을 학습하는 물리 정보 기반 프레임워크가 제시됐다. 연구진은 다중 헤드 구조의 물리 정보 신경망(PINN)을 사용했다. 여기서 공유되는 본체(body)는 해 공간을 나타내는 잠재 다양체를 학습하고, 선형 헤드들은 서로 다른 초기 조건에 대응하는 개별 해를 재구성한다. 즉 방대한 해의 집합을 낮은 차원의 잠재 공간으로 압축해 표현하려는 접근이다.
연구진은 잠재 표현의 퇴화를 제거하고 학습 실행마다 주성분 스펙트럼을 안정화하기 위해 헤드 직교화 벌점을 도입했다. 초기 조건은 구조적으로 신경망 출력에 내장돼 있기 때문에, 이 주성분들은 해 전체가 아니라 초기 프로파일 위에 신경망이 추가로 학습하는 변동성을 측정한다는 점이 특징이다. 이렇게 하면 초기 조건이 이미 반영된 상태에서 모델이 얼마나 더 복잡한 구조를 담아내는지를 분리해 볼 수 있다.
연구진은 이 방법을 1차원 점성 버거스(Burgers) 방정식에 적용하고, 열 방정식과 파동 방정식으로 강건성을 확인했다. 잠재 차원을 20으로 두었을 때, 학습된 다양체는 뚜렷한 실효 차원 축소를 보였다. 버거스 동역학의 경우 주성분 2~4개만으로 잠재 공간 분산의 약 95%를, 4~7개로 약 99%를 담아냈으며, 이는 초기 조건 계열에 따라 달라졌다. 같은 수준의 압축은 열 방정식과 파동 방정식에서도 유지됐다.
연구진은 또 파수 축을 여러 대역, 이른바 ‘푸리에 껍질(Fourier shell)’로 나누어 각 대역이 개별 주성분에 얼마나 기여하는지를 측정했다. 그 결과 얻어진 주파수 프로파일은 직교화 벌점이 잠재 공간에 남겨두는 기저 변환의 자유도에 대해 불변이며, 따라서 독립적인 학습 실행 사이에서도 재현 가능하다. 연구진은 더 넓게 보아 이 학습된 스펙트럼 프로파일과 주성분들이 해 다양체 기하의 강건한 관측량임을 확립했다고 밝혔다. 복잡한 물리 시뮬레이션의 해 구조를 저차원으로 이해하려는 시도라는 점에서 의미가 있다.
