초록 최근 빠르게 발전하고 있는 과학 기계 학습 분야에서 물리 기반 신경망(PINNs)은 편미분 방정식(PDEs)을 수치적으로 해결하는 강력한 패러다임으로 등장했습니다. 이러한 프레임워크 내에서 경계 조건은 중요한 물리적 사전 지식 역할을 합니다. 영역 경계 인접 지역에서 이러한 물리적 제약을 대략적으로 적용하는 것은 종종 해법 정확도를 제한하는 중요한 병목 현상을 구성합니다. 이 문제를 해결하기 위해 우리는 경계 물리학의 영향을 체계적으로 강화하기 위해 손실 함수에 경계 파생 제한(bd-제한)을 포함한 경계 정보 강화 물리 기반 신경망(-PINN)을 제안합니다. 이러한 파생 관계는 일반적으로 원시 경계 데이터에서 명시적 표현이 부족하므로, bd-제한은 지배 물리 법칙 또는 미분 기하학적 특성에서 도출됩니다. 우리는 실제 문제에 대한 bd-제한을 도출하는 방법에 대한 자세한 분석을 제시합니다. 우리는 포아송 방정식, 탄성, 열전도 문제, KdV 방정식 등 다양한 물리적 범위를 포괄하는 여러 벤치마크 문제를 통해 -PINN의 효과를 검증합니다. 광범위한 수치 비교를 통해 -PINN이 경계 오류를 1배에서 2배 크기로 줄이고, 기존의 PINN과 비교할 때 전체 계산 영역에서 정확도를 일관되게 개선함을 입증합니다. 우리의 연구 결과는 -PINN의 강점을 강조합니다: 뛰어난 계산 효율성과 제한된 물리적 지식 조건에서 복잡한 문제의 고충실도 시뮬레이션에서 우수한 성능을 발휘하여 실제 엔지니어링 문제에 대한 신뢰할 수 있는 효율적인 해결 전략을 제공합니다.
Li et al. (2026)는 이 질문을 연구했습니다.