Physics-Informed Neural Learning for State Reconstruction and Parameter Identification in Coupled Greenhouse Climate Dynamics

Motivation

• Known: 온실 기후 제어는 기계론적 에너지·질량 균형 모델과 순수 데이터 기반 신경망 방법이 모두 활용되어 왔으나, 전자는 미측정 파라미터로 인한 보정 어려움이, 후자는 희소·잡음 데이터에서 성능 저하가 발생한다.
• Gap: 온실 환경에서 희소·잡음 관측 하의 결합 온도-습도 상태 복원과 주요 파라미터 동시 식별에 대한 체계적 연구가 부족하다.
• Why: 온실 미기후 제어는 증발산·습도 결손·병해 위험도에 직결되어 작물 성장과 자원 효율성에 매우 중요하며, 물리 정보 기반 접근은 데이터 부족 환경에서 해석 가능한 결과를 제공할 수 있다.
• Approach: 기계론적 감소차수 모델의 열·습도 균형식을 신경망 학습에 포함시켜 물리 잔차 페널티로 제약하고, 미지 파라미터를 학습 가능한 변수로 정의하는 coupled PINN 프레임워크를 구성한다.

Achievement

Figure 2: Synthetic greenhouse temperature reconstruction. The coupled PINN (orange dashed curve) closely follows the

• Coupled PINN 프레임워크: 온도와 습도를 독립적이 아닌 결합된 상태로 동시 학습하여 잠재 상태 궤적과 물리 파라미터를 동시에 추정할 수 있는 구조 제시
• 성능 향상: 순수 데이터 기반 신경망 대비 온도·습도 오차 감소 및 결정계수 유지, 특히 습도 채널에서 현저한 개선 달성
• 파라미터 복원: 희소·잡음 관측으로부터 감소차수 모델의 지배적 물리 파라미터를 성공적으로 식별하여 해석 가능성 확보
• 제어 벤치마크: 합성 데이터 기반의 재현 가능한 역문제 벤치마크 제공으로 향후 동화 및 제어 연구의 기초 확립

How

Figure 4: Training loss decomposition for the coupled PINN. The data and physics losses decrease rapidly during the init

• 감소차수 열·습도 균형 모델을 물리 제약으로 정식화하고 ODE 형태로 신경망 훈련 목적함수에 임베드
• 미지 파라미터를 신경망의 학습 가능한 변수로 선언하여 데이터 기반 최적화 중 동시 식별 가능하게 구성
• 데이터 손실(데이터-신경망 출력)과 물리 손실(ODE 잔차)을 결합한 복합 손실함수로 학습
• 합성 벤치마크에서 순수 데이터 기반 신경망과 정량 비교하여 물리 정규화 효과 입증
• 일중(diurnal) 강제 조건을 반영한 외부 변수 입력으로 현실성 있는 시뮬레이션 환경 구성

Originality

• 온실 응용에서 희소·잡음 관측 하의 결합 온습도 상태 복원·파라미터 식별을 PINN으로 동시 처리한 최초(또는 초기) 사례
• 기존 PINN 선행 연구(유체역학·열전달)와 달리 농업 제어환경 특화 감소차수 모델 기반 프레임워크 개발
• 파라미터를 학습 가능 변수로 취급하여 물리 모델 보정과 데이터 기반 추론의 깔끔한 통합

Limitation & Further Study

• 합성 데이터 기반 벤치마크만 사용—실제 온실 데이터로의 검증 부재로 현장 적용성 미확인
• 감소차수 모델이 실제 온실의 모든 중요 동역학(환기율·증산·복사·제어기 특성 등)을 충분히 포괄하는지 불명확
• 희소성, 잡음 수준, 측정 오류의 강건성에 대한 체계적 민감도 분석 부족
• 후속 연구: (1)실제 온실 필드 데이터 활용 재검증, (2)고차 또는 다변량 동역학으로 확장, (3)데이터 동화·예측 제어와의 연계

Evaluation

총평: 온실 환경의 결합 온습도 동역학에 physics-informed learning을 체계적으로 적용한 의미 있는 기여로, 희소·잡음 관측 하의 상태 복원·파라미터 식별이라는 실질적 난제를 물리 제약으로 효과적으로 완화한다. 다만 합성 벤치마크 중심의 평가가 현장 적용성을 제한하므로 추후 실제 데이터 검증이 필수적이다.