Основні поняття
본 논문에서는 기존의 완전 연결 신경망(FC-NN) 기반 물리 정보 신경망(PINN)의 정확도를 향상시키기 위해 밀집 곱셈 연산을 활용한 새로운 PINN 구조를 제안합니다.
Анотація
밀집 곱셈 연산을 활용한 고정밀 물리 정보 신경망 구조 (연구 논문 요약)
참고문헌: Jiang, F., Hou, X., & Xia, M. (2023). Densely Multiplied Physics Informed Neural Networks. [학술지명칭], 권, [페이지-페이지].
본 연구는 비선형 편미분 방정식(PDE)을 효과적으로 해결하기 위해 밀집 곱셈 연산을 활용한 새로운 물리 정보 신경망(PINN) 구조를 제안하고, 기존 PINN 구조 대비 향상된 정확도와 효율성을 검증하는 것을 목표로 합니다.
본 연구에서는 밀집 곱셈 PINN (DM-PINN) 구조를 제안하며, 이는 은닉층의 출력을 이후 모든 은닉층의 출력과 곱하는 방식으로 동작합니다.
제안된 DM-PINN 구조는 ResNet 구조를 기반으로 하며, 각 층은 잔차 블록으로 작동하여 성능을 극대화합니다.
또한, 그래디언트 소실 문제를 해결하기 위해 입력층 이후 배치 정규화층을 도입하고, 밀집 곱셈 연산을 스킵 곱셈 연산으로 수정한 스킵 밀집 곱셈 PINN (SDM-PINN) 구조를 제시합니다.
다양한 벤치마크 PDE 문제(Allan-Cahn 방정식, Helmholtz 방정식, Burgers’ 방정식, 1D 대류 방정식)를 사용하여 제안된 방법의 성능을 평가합니다.
제안된 구조와 기존 PINN 구조(Vanilla PINN, ResNet, Modified MLP)의 정확도와 효율성을 비교 분석합니다.