물리 법칙 기반 신경 연산자 불확실성 정량화 방법론
Physics-Informed Conformal Prediction: Embedding PDE Consistency into Distribution-Free Uncertainty Quantification for Neural Operators
arXiv신경 연산자(Neural Operators)를 활용한 PDE 해법의 핵심 과제인 불확실성 정량화에 대한 새로운 방법론, '물리 정보 기반 컨포멀 예측(PI-CP)'이 제안되었습니다.
- PI-CP는 PDE 잔차 정보를 통합하여 물리 법칙을 만족할 때는 좁고 위반될 때는 넓은 공간 적응형 신뢰구간을 생성하며, 통계적 보장성을 확보했습니다.
- 이 기술은 공학 및 과학 분야에서 AI 모델 예측 결과의 신뢰도를 수학적으로 보장하여, 복잡한 물리 시스템 분석에 인공지능을 안전하게 활용할 수 있게 합니다.
- 열전도, 구조 역학 등 다양한 물리 시나리오에서 검증되었으며, 기존 방식 대비 높은 커버리지와 안정성을 입증하며 성능 우위를 보였습니다.
신경 연산자(Neural operators)는 편미분 방정식(PDEs) 해를 근사하는 데 높은 정확도를 보이지만, 엄격한 불확실성 추정은 여전히 해결해야 할 과제입니다. 본 연구에서는 PDE 잔차 정보를 분할 컨포멀 예측의 비적합도 점수에 통합하는 '물리 정보 기반 컨포멀 예측(PI-CP)' 프레임워크를 제안했습니다. 이 방법론을 통해 생성된 예측 구간은 분포에 의존하지 않으며, 증명 가능한 커버리지 보장을 제공합니다.
PI-CP는 물리 법칙이 잘 만족되는 영역에서는 신뢰구간을 좁게, 반대로 위반되는 영역에서는 넓게 설정하는 공간 적응형 특성을 가집니다. 또한, FNO의 번역 등변성으로 인해 발생하는 경계 조건 근사 장벽에 대해 좌표 채널(coordinate channels)을 활용하여 최대 63배의 오차 감소를 달성했음을 입증했습니다.
열전도, 구조 역학, 다아시 유동, 나비에-스토크스 등 총 여섯 가지 물리 시나리오에서 PI-CP가 검증되었습니다. 그 결과, 네 가지 컨포멀 방법 모두 89~91%의 일관된 커버리지를 보인 반면, MC Dropout과 Deep Ensembles는 각각 82~100%로 불안정한 결과를 나타냈습니다. 또한 FNO가 CNN 및 DeepONet보다 10~12배 우수한 성능을 기록했습니다.