물리 인식 신경 암시적 솔버로 다중 스케일 파라메트릭 PDE 학습

** 본 논문은 파라메트릭 편미분 방정식(PDE) 해석에 있어, 데이터‑구동과 물리‑인식 접근을 융합한 새로운 프레임워크인 Physics‑Aware Neural Implicit Solvers(PANIS)를 제안한다. 전통적인 데이터‑기반 서러게이트는 대량의 (x, y) 라벨 데이터를 필요로 하지만, PDE 해석 비용이 높은 이질 매질·다중 스케일 문제에서는 라벨 획득이 실질적으로 불가능에 가깝다. 반면 물리‑인식 방법은 잔차 기반 손실을 사용해 라벨 없이 학습하지만, 잔차를 전부 사용해야 하며, 고차원 입력에 대해 파라미터 수가 급증한다는 한계가 있다. PANIS는 이러한 두 접근의 장점을 살리면서 단점을 보완한다. ### 1. 문제 정의와 가정 공식적으로는 \(L(c(s;x),u(s))=0,\; s\in\Omega\) \(B(c(s;x),u(s))=0,\; s\in\partial\Omega\) 형태의 파라메트릭 PDE를 고려한다. 여기서 \(c(s;x)\)는 마이크로구조에 의해 결정되는 물성 함수이며, \(x\in\mathbb{R}^{d_x}\)는 파라미터 벡터이다. 해 \(u(s)\)는 고해상도 격자에서 이산화된 벡터 \(y\in\mathbb{R}^{d_y}\) 로 표현한다. ### 2. 가중 잔차를 가상 관측치로 활용 잔차는 전통적인 Galerkin/Least‑Squares 방식과 동일하게 정의되지만, 여기서는 “가상 데이터”로만 사용한다. 임의의 가중 함수 \(w_j(s)\)에 대해 \(r_{w_j}(y,x)=\int_{\Omega}\nabla w_j\cdot c(s;x)\nabla u_y\,ds -\int_{\Omega} w_j g\,ds +\int_{\Gamma_q} w_j q_0\,d\Gamma\) 를 계산한다. 이 잔차가 0에 가까울수록 (x, y)쌍이 실제 PDE 해에 가깝다고 판단한다. 이를 확률적으로 표현하기 위해 지수형 가상 가능도 \(p(\hat r_j=0|y,x)=\lambda^2\exp