Deep operator learning 기반 연산자 학습 및 파라메트릭 PDE 근사

Deep Operator Learning for Operator Approximation and Parametric PDEs

연구 내용

함수공간 간 연산자를 Deep operator learning으로 학습하고 유한요소 기반 수치해석과 결합하여 파라메트릭 PDE의 해를 데이터 쌍 없이 근사하는 연구

함수공간 사이의 비선형 매핑을 직접 학습하는 Deep operator learning을 기반으로 연산자 근사 모델을 구성합니다. 유한요소 방법과 결합한 Finite Element Operator Network를 통해 파라메트릭 PDE를 입력-출력 데이터 쌍 없이도 계산 가능한 형태로 변환합니다. 또한 hypernetwork를 활용한 HyperDeepONet으로 복잡한 목표 함수공간에서의 파라미터 효율을 다룹니다. 나아가 Hamilton–Jacobi 기반 정책 반복을 deep operator learning과 연결하여 최적화 문제의 연산자 수준 근사를 수행합니다.

관련 프로젝트

0건

연구 흐름

초기에는 DeepONet 계열 연산자 학습의 복잡도 관점을 정리하고, 복잡한 목표 함수공간을 제한된 자원에서 학습하기 위한 하이퍼네트워크 기반 구조를 제안합니다. 이후 유한요소 근사를 연산자 학습의 구성요소로 통합하여 파라메트릭 PDE를 다양한 경계조건과 환경에서 일반화하도록 설계합니다. 최근에는 연산자 학습을 단순 해 근사에서 정책 반복과 같은 수치적 의사결정 문제로 확장하여, Hamilton–Jacobi 기반 동역학의 연산자를 학습하는 방향으로 연구를 수행합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

입력 데이터가 제한된 PDE 시뮬레이션 대체
경계조건 변화에 대한 빠른 해 계산
파라메트릭 설계 변수 기반 모델 예측
해석적 수치해의 연산자 형태 근사
비선형 연산자 기반 제어 및 최적화
다양한 물리 시스템의 공통 수치 프레임
일반화 및 전이학습을 고려한 대규모 계산
고정 격자 없이도 가능한 수치 실험
근사 오차를 제어하는 학습 설계
실시간 의사결정용 시뮬레이션 엔진