스케일 PINN 순차 보정으로 효율적인 물리 기반 신경망 학습

본 논문은 물리‑정보 신경망(PINN)의 학습 효율성을 근본적으로 개선하기 위해, 전통적인 수치해석에서 핵심적인 “반복 잔차‑보정” 원리를 손실 함수에 직접 도입한 새로운 프레임워크인 Scale‑PINN을 제안한다. 서론에서는 기존 PINN이 높은 정확도와 메쉬‑프리 특성에도 불구하고, 대규모 배치·학습률 튜닝, 커리큘럼 학습, 2차 최적화 등으로 인해 훈련 시간이 수시간에서 수십시간에 달하고, 복잡한 비선형 PDE에서는 수렴이 어려운 현실을 지적한다. 이러한 문제를 해결하기 위해 수치해석 커뮤니티가 수십 년간 개발한 “이산화·반복 해법”을 PINN에 적용하는 아이디어를 제시한다. 방법론에서는 먼저 일반적인 PINN 손실 \(L(w)=L_{pde}+λ_{ic}L_{ic}+λ_{bc}L_{bc}\) 을 소개하고, 여기서 가장 어려운 \(L_{pde}\) 에 순차 보정 항을 추가한다. 구체적으로, \