물리기반 인공신경망 [2334]
유망기술
구분 디지털 트윈 구현을 앞당기는 물리학과 인공지능의 결합 평균
출판 연도 2015.5
개요/정의
○ 순수 물리적 지식에 기초한 시뮬레이션은 해석적인 해를 일반적으로 구할 수 없는 편미분방정식을 수치적으로 해석하여 구현하나, 계산량이 매우 많고 복잡한 모델링에서는 그 정도가 기하급수적으로 늘어나기 때문에 비용과 불확실성을 크 게 증가시킴.
○ 인공신경망은 어떤 함수든 보편적인 근사값을 제공한다는 특성23)을 활용하여 편미분방정식을 풀기 위한 유망한 대안으 로 떠올랐으나, 순수 데이터 기반의 인공신경망으로 주어진 문제를 해결하기 위해서는 매우 많은 빅데이터가 필요하며, 과학/공학 문제에 항상 적용할 수 있는 것은 아님.
○ 물리기반 인공신경망(PINN, Physics-Informed Neural Networks)24)은 신경망이 제공하는 효율적인 근사해의 빠른 탐색이라는 이점을 누리면서도 편미분 방정식에 내재된 물리 정보를 신경망에 도입할 수 있도록 개발된 방법론으로 필 요한 데이터와 계산시간/자원 소요를 줄이면서도 효과적으로 편미분 방정식의 해석을 가능하도록 함.
- 인공신경망의 훈련 과정에서 물리적으로 일관된 솔루션을 식별하는 방향으로 관찰편향, 귀납적 편향, 학습편향을 도 입하는 방식으로 진행25)
주요 키워드 model order reduction, order model, proper generalized decomposition, basis method, partial differential equation
부상성
○ 인더스트리 4.0, 스마트팩토리 등 산업계 디지털 트윈에 대한 관심이 높아지고 점차 도입이 증가하기 시작하면서 과학/
공학적 문제들을 가상에서 구현하기 위한 기술개발이 지속적으로 증가하고 있음.
- 산업부문의 디지털 트윈인 스마트팩토리 글로벌 시장 규모는 2022년 862억 달러에서 2027년에는 1,409억 달러로 성장할 것으로 전망26)되었는데, 디지털 트윈의 구현을 효율적으로 가능하게 하는 물리기반 인공신경망 기술에 대한 수요도 더불어 지속적으로 증가할 것으로 예상
○ 산업부문의 디지털 트윈, 스마트팩토리 혹은 사이버물리시스템(CPS, Cyber-physical system)을 구현하는 애플리케 이션들이 상용화되기 시작하면서 분야별 문제해결을 위한 기술개발이 지속 증가할 것으로 전망
- 많은 산업분야에서 고난도 편미분 방정식(Navier-Stokes 방정식)에 기반한 유체 시뮬레이션을 위한 PINN 기반 상 용 애플리케이션을 출시27)하거나, 다중 요구사항을 만족하도록 PINN이 도입된 제품디자인 프로세스를 개발28)하는 등 산업계의 개발 노력도 지속적으로 나타나고 있음.
논문 수 추세 (글로벌/한국) 최근 3년간 저자 키워드 분포
국가별 연구 수준 비교
번호 국가명 논문 수
(06-20년)
10%
논문 수 (06-20년)
10% 논문 비율(%) (06-20년)
논문 수 (18-20년)
10%
논문 수 (18-20년)
10% 논문 비율(%) (18-20년)
1 USA 1,788 302 16.9 834 146 17.5
2 France 970 88 9.1 356 16 4.5
3 Peoples R China 564 37 6.6 309 24 7.8
4 Germany 452 38 8.4 176 20 11.4
5 Spain 281 17 6.0 110 3 2.7
6 Italy 166 10 6.0 61 2 3.3
7 England 137 14 10.2 61 3 4.9
8 Japan 133 7 5.3 94 3 3.2
9 Switzerland 104 18 17.3 46 9 19.6
10 Canada 77 4 5.2 39 2 5.1
최근 고피인용 논문 (10건)
연도 피인용 수 저널명 논문 제목
2020 472 ANNUAL REVIEW OF FLUID
MECHANICS, VOL 52 Machine Learning for Fluid Mechanics 2020 336 COMPUTER METHODS IN APPLIED
MECHANICS AND ENGINEERING
An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications 2020 256 SCIENCE Hidden fluid mechanics: Learning velocity and pressure
fields from flow visualizations 2020 141 JOURNAL OF COMPUTATIONAL
PHYSICS
Model reduction of dynamical systems on nonlinear manifolds using deep convolutional autoencoders 2020 136 PHYSICAL REVIEW LETTERS Discovering Physical Concepts with Neural Networks 2019 1,373 JOURNAL OF COMPUTATIONAL
PHYSICS
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations 2019 331 CMC-COMPUTERS MATERIALS &
CONTINUA
Artificial Neural Network Methods for the Solution of Second Order Boundary Value Problems
2019 207 JOURNAL OF COMPUTATIONAL PHYSICS
Physics-constrained deep learning for high-dimensional surrogate modeling and uncertainty quantification without labeled data
2019 143
PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA
Data-driven discovery of coordinates and governing equations
2019 124 JOURNAL OF FLUID MECHANICS Super-resolution reconstruction of turbulent flows with machine learning
주요 글로벌 기관 주요 한국 기관
번호 기관명 논문 수
1 MIT 148
2 Florida State Univ 91
3 Univ Washington 90
4 Univ Zaragoza 70
5 Princeton Univ 69
번호 기관명 논문 수
1 Seoul Natl Univ 10
2 Pusan Natl Univ 6
3 Ajou Univ 5
4 Korea Adv Inst Sci & Technol 4
5 Kyungnam Univ 3