PINN과 연산자 학습을 결합한 운동학적(kinetic) 방정식 점근 거동 및 모형 축소

PINN with Operator Learning for Asymptotic Behavior and Model Reduction in Kinetic Equations

연구 내용

physics-informed neural network에 연산자 학습을 결합해 Fokker-Planck 계열 kinetic 방정식의 해와 점근 거동을 계산하고 모형 축소를 수행하는 연구

physics-informed neural network를 기반으로 kinetic 방정식의 물리 제약을 손실함수에 반영하고, 계산비용이 큰 항을 연산자 surrogate로 대체하는 하이브리드 프레임을 구성합니다. Fokker-Planck-Landau와 같은 모델에서 복잡한 충돌/상호작용 항을 operator learning 단계에서 학습하여 PINN의 반복 계산 부담을 줄입니다. 또한 kinetic Fokker-Planck의 점근적 평형 접근과, Vlasov–Poisson–Fokker–Planck에서 Poisson–Nernst–Planck로의 확산 극한을 신경망으로 시뮬레이션합니다. 손실이 감소할 때 고전 해로의 수렴 성질을 이론적으로 검토하는 차별성을 보유합니다.

관련 프로젝트

1건

연구 흐름

초기에는 kinetic Fokker-Planck 방정식에 대해 신경망 접근을 활용하여 평형으로의 수렴 양상을 분석하는 방향으로 연구를 진행합니다. 이후 operator learning을 결합한 opPINN 프레임을 제안하여 Landau 충돌 적분과 같이 비용이 큰 구성항을 단계적으로 대체하는 구조를 마련합니다. 이후에는 Vlasov–Poisson–Fokker–Planck의 시간 비대칭 거동을 계산하고, Poisson–Nernst–Planck로의 모형 축소를 AP scheme 관점에서 다루며 수렴 근거를 확장합니다. 최근에는 Fokker-Planck-Landau에 대해 다양한 초기조건과 상호작용 모델에서 신경망 해의 점근 일치를 검토하는 연구를 수행합니다.

활용 가능성

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

수치해석 비용이 큰 kinetic 시뮬레이션의 가속
평형 접근성 평가를 위한 빠른 근사 모델
확산 극한을 반영한 다중 스케일 예측
모형 축소 기반의 계산 효율 향상
초기조건 민감도를 고려한 해 데이터 생성
시간 비대칭 거동 기반 물리량 추정
손실함수 설계를 통한 수렴성 검토 체계
충돌항 surrogate 결합을 통한 실용 계산
경계조건을 포함한 신경망 기반 연산 수행
고차원 속도공간 문제의 계산 부담 완화