- 2026년 5월 15일 오전 9:43
- 조회수: 142
REFERENCES
INFORMATION
- 2026년 5월 15일
- 오전 9시 ~
온라인 비디오 시청 (YouTube)
장성호
TOPIC
On-Line Video
OVERVIEW
요약:
최근 과학 및 공학 분야에서는 CFD, FEM과 같은 고비용 물리 시뮬레이션을 빠르게 대체하기 위한 surrogate modeling 연구가 활발히 진행되고 있다.
기존의 순수 데이터 기반 모델은 데이터 부족이나 물리적으로 일관되지 않은 예측 문제를 가지며, 이를 해결하기 위해 물리 법칙을 학습 과정에 반영하는 Physics-Informed Learning 방법들이 제안되었다.
대표적으로 PINN(Physics-Informed Neural Networks)은 PDE residual과 초기/경계조건을 loss에 포함하여 물리 방정식을 직접 만족하도록 학습하며, PGNN(Physics-Guided Neural Networks)은 물리 모델 출력이나 physics-based loss를 활용하여 보다 유연하게 물리 정보를 반영한다.
그러나 이러한 방법들은 다양한 물리 파라미터와 조건에 대한 일반화에 한계를 가지며, 이를 해결하기 위해 최근에는 함수 공간 간의 mapping을 직접 학습하는 Neural Operator 기반 접근들이 주목받고 있다.
본 세미나에서는 PINN, PGNN, Neural Operator의 기본 개념과 핵심 아이디어를 소개하고, surrogate modeling을 중심으로 과학 머신러닝 분야의 다양한 확장 방향까지 살펴보고자 한다.
참고자료
[1] Raissi, Maziar, Paris Perdikaris, and George E. Karniadakis. "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations." Journal of Computational physics 378 (2019): 686-707.
[2] Daw, Arka, et al. "Physics-guided neural networks (pgnn): An application in lake temperature modeling." Knowledge guided machine learning. Chapman and Hall/CRC, 2022. 353-372.
[3] Lu, Lu, et al. "Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators." Nature machine intelligence 3.3 (2021): 218-229.
[4] Li, Zongyi, et al. "Fourier neural operator for parametric partial differential equations." arXiv preprint arXiv:2010.08895 (2020).
[5] Meng, Yiming, et al. "Physics-informed neural network policy iteration: Algorithms, convergence, and verification." arXiv preprint arXiv:2402.10119 (2024).
[6] Li, Siyang, et al. "Towards Generalizable PDE Dynamics Forecasting via Physics-Guided Invariant Learning." arXiv preprint arXiv:2509.24332 (2025).
[7] Wang, Hong, et al. "Mixture-of-Experts Operator Transformer for Large-Scale PDE Pre-Training." arXiv preprint arXiv:2510.25803 (2025).
청취자 후기
김혜준
이번 세미나는 Physics-Informed Machine Learning(PIML)에 대해 소개해주었다. 기존 CFD, FEM, FEA와 같은 물리 기반 시뮬레이션은 높은 정확도를 제공하지만, 설계 조건이나 경계조건, 물리 파라미터가 바뀔 때마다 반복적으로 계산해야 한다는 점에서 한계가 있다. 이를 보완하기 위해 등장한 surrogate model은 빠른 예측이 가능하지만, 순수 data-driven 방식만으로는 물리 법칙을 충분히 반영하지 못해 OOD 조건에서 불안정하거나 물리적으로 모순된 결과를 낼 수 있다는 문제가 있다.
이러한 배경에서 PINN은 PDE residual과 초기/경계조건을 loss에 직접 반영하고, PGNN은 물리 모델의 출력이나 제약조건을 보다 유연하게 신경망에 결합한다는 점이 인상적이었다. 더 나아가 Neural Operator는 다양한 초기조건, 경계조건, 물리 파라미터에 대한 solution mapping 자체를 학습한다는 점에서 surrogate modeling의 확장 방향을 잘 보여주는 것 같다.
PIML에 대해 공부해보고 싶은 마음이 있었는데, PINN부터 최근 surrogate modeling 연구 방향까지 흐름이 자연스럽게 이어져서 이해하는 데 큰 도움이 되었다. 좋은 세미나를 준비해줘서 고맙다는 말을 전하며 세미나 후기를 마친다.