Artificial intelligence for partial differential equations in computational mechanics: A review

Motivation

• Known: 신경망을 이용한 PDE 해결 개념은 1990년대 후반부터 존재했으나, 최근 deep learning, GPU 컴퓨팅, PyTorch/TensorFlow 같은 자동미분 도구의 발전으로 PINNs(2019)가 주목받으면서 본격화되었다. 계산역학에서 AI의 통합은 surrogate model 기반 데이터 주도 방법과 물리 법칙을 손실함수에 포함하는 방법의 두 가지 방향으로 진행되어 왔다.
• Gap: 순수 데이터 주도 surrogate model은 데이터의 저주(curse of dimensionality), 대량의 고품질 데이터 필요, 해석가능성 부족 등의 한계가 있으며, 물리 정보 기반 방법도 데이터 부족, 잡음, 식별 가능성 문제로 인해 아직 scientific discovery 측면에서 미성숙한 상태이다. 또한 서로 다른 기하학, 재료, 물리 과정에 걸친 지식 전이 능력은 현저히 부족하다.
• Why: 계산역학은 물리 문제를 PDE로 모델링하며, AI를 이용한 PDE 해결은 전통적 수치해석(FEM 등)의 계산 비용을 크게 감소시키면서도 정확도를 유지할 수 있다. 또한 미지의 물리 파라미터나 구성 관계식 식별을 통해 과학적 발견을 가능하게 하므로 미래 기초 모델 개발의 핵심 연구 방향이다.
• Approach: PINNs, DEM, Operator Learning, PINO 등 주요 AI4PDEs 알고리즘을 소개하고, 각 방법의 물리 정보 포함 메커니즘과 적용 범위를 설명한다. 고체역학(탄성, 탄소성, 초탄성, 파괴), 유체역학(수력역학, 공기역학, 충격파), 생체역학(연조직 변형, 혈류) 등의 응용 사례를 체계적으로 분류하고, Hybrid 접근법과 foundation model 기반 새로운 방향을 함께 다룬다.

Achievement

Fig. 1. The role of AI4PDEs in AI4Science, along with an introduction to AI4PDEs in computational mechanics, including s

주요 성과 목록:\n- AI4PDEs의 세 가지 주요 패러다임(PINNs, Operator Learning, PINO) 및 기초 이론 정리\n- 계산역학 삼대 분야에 걸친 400건 이상의 응용 사례 체계적 분류\n- 물리 정보 기반 신경망의 데이터 효율성 및 해석가능성 개선 메커니즘 명확화\n- Surrogate model과 operator learning의 장단점을 강화-약화 매개변수 측면에서 비교 분석\n- Foundation model과 hybrid numerical solver로의 미래 방향 제시

How

Fig. 3. AI for PDEs method: Schematic of PINNs strong form [2].

• PINNs의 강형(strong form) 및 약형(weak form, DEM) 공식화 스키마 설명\n- Neural operator의 학습과 평가 방식 소개\n- 각 방법의 물리 제약 포함 메커니즘 및 손실함수 구성 방식 상세 기술\n- 고체·유체·생체역학 내 정방향(forward) 및 역방향(inverse) 문제 해결 전략 비교\n- Hybrid 접근법: AI4PDEs와 FEM의 병렬 사용으로 다중 스케일 시뮬레이션 가속화\n- Implicit programming 개념을 통해 데이터 기반 모델 구성 방식 설명

Originality

• 데이터-물리 융합 전략의 명확화: Inductive bias로서의 PDE 역할을 이론적으로 정립하고, 순수 데이터 주도 방법과의 비교를 통해 물리 정보 포함의 핵심 가치 제시\n- 계산역학 통합 체계: 고체·유체·생체역학을 포함한 포괄적 분류 체계 구축으로 AI4PDEs의 적용 범위 명확화\n- Implicit programming 개념: 전통적 명시적 프로그래밍과 AI 기반 암묵적 프로그래밍의 근본적 차이를 체계화\n- 미래 방향 제시: Reinforcement learning 기반 제어, Generative surrogate, Foundation model 등 신흥 방향의 조기 제시\n- Hybrid 패러다임 강조: AI4PDEs가 전통 수치해석 대체가 아닌 상호보완적 역할을 강조하는 관점 제공

Limitation & Further Study

한계 및 후속 연구:\n- 현재 AI4PDEs는 주로 정방향 문제 해결 및 제한된 역방향 문제에만 성숙, 미지 물리 법칙 발견(scientific discovery) 측면은 미성숙\n- 데이터 부족, 노이즈 처리, 비식별성 문제로 인해 실무 응용에서 아직 한계\n- 학습된 모델의 서로 다른 기하학, 재료, 물리 과정에 대한 일반화 능력 부족\n- 신뢰성, 수렴성 이론이 불완전하여 안전이 중요한 공학 응용에 제약\n- Operator learning의 고차원 문제(curse of dimensionality) 확장성 미흡\n- Foundation model 기반 scientific computing은 개념 단계로 실제 구현 경험 부족

Evaluation

총평: 본 논문은 AI4PDEs 분야의 현황을 계산역학 맥락에서 가장 포괄적으로 정리한 고품질 리뷰이다. 물리 정보 기반 신경망의 핵심 가치를 명확히 제시하고, 세 대 분야에 걸친 응용을 체계적으로 분류하며, 미래 방향을 균형잡게 제시한다. 다만 이론적 분석(수렴성, 근사 오차)의 심화, 실제 고차원 문제의 성공 사례 확충, 신뢰성 평가 방법론의 제시가 추가되면 더욱 강력한 기여가 될 것이다.