성균관대 박은병 교수 연구팀, 물리정보 신경망의 정확도 및 학습속도 대폭 개선한 방법론 개발
- 학습 속도 50배 이상 향상 및 정확도 개선

□ 성균관대학교(총장 유지범) 전자전기공학부 박은병 교수 연구팀과 수학과 윤석배 교수 그리고 KAIST 수리과학과 홍영준 교수 공동 연구팀은 새로운 물리정보 신경망의 구조와 학습 방법을 통하여 기존의 물리정보 신경망보다 정확하고 빠르게 학습이 가능한 방법론을 개발하였다.

□ 물리정보 신경망(physics-informed neural networks)은 인공지능과 미분 방정식 기반 모델링을 결합하여 주어진 시스템의 해를 추정하는 데 사용되는 접근방법 중 하나이며, 주로 편미분 방정식의 해를 구하고 물리적 시뮬레이션을 가속화하는데 적용된다.

□ 제안된 방법은 신경망의 입력을 포인트(point)별로 처리하는 대신 축(axis)별로 처리하여 다차원 방정식에서의 신경망 전파 횟수를 감소시켰다. 또한 정방향 자동미분(forward-mode automatic differentiation)을 사용하여 방정식 손실함수 계산에 필요한 연산량을 급격히 감소시켰다.

□ 본 연구를 통해 기존의 물리정보 신경망 대비 학습 시간 및 메모리 사용량을 현저히 줄일 수 있었으며 더 정확한 해를 추정하는 데 성공하였다. 특히 유체의 흐름을 설명하는 매우 풀기 어려운 방정식으로 알려진 Navier-Stokes equation을 기존 방법론 대비 50배 이상의 학습 속도를 달성하였고, 그 정확도 역시 개선하였다.

□ 성균관대 박은병 교수는 “기존에 물리 정보 신경망으로 해결할 수 없었던 더욱 복잡하고 고차원의 문제를 해결할 수 있는 단초를 마련하였으며, 추후 다양한 자연과학 및 공학분야에 해당 기술이 사용될 수 있을 것”이라고 말했다.

□ 연구팀의 이번 연구결과는 인공지능 및 기계학습 분야 최우수학술대회 중 하나인 NeurIPS 2023(Thirty-seventh Conference on Neural Information Processing Systems)에 게재 승인되었다. 또한 NeurIPS에 제출된 상위 3%의 논문에 수여하는 스포트라이트로 선정되었다.

※ 연구 홈페이지: Separable Physics-Informed Neural Networks (jwcho5576.github.io)
※ Brown University 초청 세미나 발표 영상: Condensation of NN || Seperable PINNs || Seminar on: February 3, 2023 – YouTube
※ 논문: Separable Physics-Informed Neural Networks, NeurIPS 2023, 조준우*, 남승태*, 양현모, 윤석배, 홍영준, 박은병 (*공동 1저자)

10월 16일 월요일자 보도자료 - 첨부파일 참조