물리학 기반 딥러닝 손실 균형

물리학 기반 신경망(PINN)은 편미분방정식과 경계·초기 조건을 손실 함수의 페널티 항으로 활용하여 물리 법칙을 학습하는 딥러닝 알고리즘입니다. 본 연구는 PINN 훈련 시 여러 경쟁적 손실 함수들의 가중치를 올바르게 설정하는 것이 효과적인 학습에 매우 중요함을 확인했습니다. 이를 위해, 다중 손실 항과 그 기울기의 기여도를 균형 있게 조절하는 다양한 방법을 구현하고 평가했습니다. 기존의 세 가지 손실 스케일링 기법(Learning Rate Annealing, GradNorm, SoftAdapt)을 검토한 후, 무작위 룩백을 활용한 상대적 손실 균형(ReLoBRaLo)이라는 새로운 자체 적응형 손실 균형 기법을 제안합니다. 제안된 ReLoBRaLo는 버거스 방정식, 키르히호프 판 굽힘 방정식, 헬름홀츠 방정식 등 세 가지 벤치마크 PDE와 "PINNacle" 컬렉션의 20개 이상 PDE에 대해 순방향 및 역방향 문제를 해결하며 성능을 광범위하게 평가했습니다. 그 결과, ReLoBRaLo는 다양한 PDE 클래스에서 기존 스케일링 방법론 대비 정확도 측면에서 일관되게 우수한 성능을 보였습니다. 또한, ReLoBRaLo는 계산 오버헤드를 현저히 줄이는 이점을 제공합니다. 이 연구는 PINN의 훈련 효율성과 정확도를 크게 향상시킬 수 있는 실용적인 손실 균형 전략을 제시하며, 복잡한 물리 시스템 모델링에 기여할 것으로 기대됩니다.