Penn, inverse PDE 안정화

Penn 연구진이 Mollifier Layers를 제안해 잡음이 큰 inverse PDE 추론에서 반복 자동미분의 병목을 줄였다. 논문은 Transactions on Machine Learning Research에 실렸고, NeurIPS 2026 발표가 예정돼 있다.

핵심은 신경망 출력에 직접 미분을 반복하는 대신, mollifier로 신호를 먼저 매끄럽게 한 뒤 고정된 convolution 기반 연산으로 도함수를 계산하는 방식이다. 이 레이어는 경량이며 여러 physics-informed 모델에 붙일 수 있어, 고차 미분과 잡음에 대한 안정성을 높인다.

벤치마크에서는 표준 physics-informed neural network(PINN)보다 일관되게 성능이 높았다.

• 1D Langevin: temporal correlation 0.97 vs 0.36, 메모리 0.16GB vs 0.21GB, 시간 1,615s vs 2,138s
• 2D heat equation: spatial correlation 0.99 vs 0.21, 메모리 0.24GB vs 1.20GB
• 4th-order reaction-diffusion: 시간 335s vs 3,386s, 메모리 0.23GB vs 2.75GB, 평균 파라미터 상관계수 0.99 vs 0.44

연구진은 메모리와 학습 시간을 6~10배 줄였다고 설명했다. 응용처는 chromatin 역추론, 열전달, 유체역학, 노이즈가 큰 동역학 시스템이며, 커널 선택과 경계 조건, 비등방성 격자에서는 여전히 한계가 남는다.