상기 물리정보 신경망은, 상기 텐서 외적을 통해 r개의 텐서를 구하고, 구해진 r개의 텐서를 전부 더하여 상기 rank-r 텐서를 구하는, 연산 장치.

풀고자 하는 방정식의 시스템 차원수와 같은 개수의 multi-layer perceptron(MLP)을 갖는 물리정보 신경망(physics-informed neural networks)에 기반한 학습 방법에 있어서,N개의 m차원 좌표들 중 각 차원에서 샘플링된 N개의 좌표를 상기 MLP 각각에 입력해 상기 MLP의 출력 차원 수에 해당하는 차원 수가 r인 N개의 특징 벡터들(rN 행렬들)을 구하는 제1 단계; 그리고,상기 각각의 MLP에서 출력된 rN 행렬을 텐서 외적 연산을 통해 최종 함숫값인 rank-r 텐서를 구하는 제2 단계;를 포함하는 물리정보 신경망의 학습 방법.

제1항에 있어서,상기 텐서 외적을 통해서 NNN인 m차원 텐서가 만들어지는, 물리정보 신경망의 학습 방법.

제1항에 있어서,상기 텐서 외적은, 상기 MLP 각각에서 출력된 rN 행렬들 중 각 rN 행렬에서 동일한 열에 해당하는 열벡터를 직교하도록 배치해 구해지는, 물리정보 신경망의 학습 방법.

제1항에 있어서,상기 제2 단계는, 상기 텐서 외적을 통해 r개의 텐서를 구하고, 구해진 r개의 텐서를 전부 더하여 상기 rank-r 텐서를 구하는, 물리정보 신경망의 학습 방법.

제1 항 내지 제4항 중 어느 한 항에 기재된 물리정보 신경망의 학습 방법을 컴퓨터가 읽을 수 있도록 코딩된 프로그램을 기록한 기록 매체.

풀고자 하는 방정식의 시스템 차원수와 같은 개수의 multi-layer perceptron(MLP)을 갖는 물리정보 신경망(physics-informed neural networks)을 저장하는 메모리; 및상기 인공 신경망 모델을 실행하는 프로세서;를 포함하고,상기 물리정보 신경망은, N개의 m차원 좌표들 중 각 차원에서 샘플링된 N개의 좌표를 상기 MLP 각각에 입력해 상기 MLP의 출력 차원 수에 해당하는 차원 수가 r인 N개의 특징 벡터들(rN 행렬들)을 구하고, 상기 각각의 MLP에서 출력된 rN 행렬을 텐서 외적 연산을 통해 최종 함숫값인 rank-r 텐서를 구하는,연산 장치.

제6항에 있어서,상기 텐서 외적을 통해서 NNN인 m차원 텐서가 만들어지는, 연산 장치.

제6항에 있어서,상기 텐서 외적은, 상기 MLP 각각에서 출력된 rN 행렬들 중 각 rN 행렬에서 동일한 열에 해당하는 열벡터를 직교하도록 배치해 구해지는, 연산 장치.