[논문 리뷰] GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media

Matthaios Chatzopoulos, Phaedon-Stelios Koutsourelakis|arXiv (Cornell University)|2026. 02. 16.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

GenPANIS는 다상 매체에서 순방향 및 역편미분방정식(PDE) 문제를 해결하기 위해 이산적 미세구조를 연속 잠재 공간에 임베딩하는 통합 확률 프레임워크로, 효율적인 물리학 인식 디코더를 통해 그래디언트 기반 추론과 원칙에 따른 불확실성 정량화를 가능하게 한다.

ABSTRACT

Inverse problems and inverse design in multiphase media, i.e., recovering or engineering microstructures to achieve target macroscopic responses, require operating on discrete-valued material fields, rendering the problem non-differentiable and incompatible with gradient-based methods. Existing approaches either relax to continuous approximations, compromising physical fidelity, or employ separate heavyweight models for forward and inverse tasks. We propose GenPANIS, a unified generative framework that preserves exact discrete microstructures while enabling gradient-based inference through continuous latent embeddings. The model learns a joint distribution over microstructures and PDE solutions, supporting bidirectional inference (forward prediction and inverse recovery) within a single architecture. The generative formulation enables training with unlabeled data, physics residuals, and minimal labeled pairs. A physics-aware decoder incorporating a differentiable coarse-grained PDE solver preserves governing equation structure, enabling extrapolation to varying boundary conditions and microstructural statistics. A learnable normalizing flow prior captures complex posterior structure for inverse problems. Demonstrated on Darcy flow and Helmholtz equations, GenPANIS maintains accuracy on challenging extrapolative scenarios - including unseen boundary conditions, volume fractions, and microstructural morphologies, with sparse, noisy observations. It outperforms state-of-the-art methods while using 10 - 100 times fewer parameters and providing principled uncertainty quantification.

연구 동기 및 목표

• 다상 매체에서 이산적이고 고차원의 미세구조를 학습하는 과제를 동기 부여하고 해결한다.
• 하나의 아키텍처에서 순방향 예측과 역추론을 모두 지원하는 통합 생성 모델을 개발한다.
• 연속 잠재 임베딩을 통해 그래디언트 기반 추론을 가능하게 하면서 이산적 미세구조를 보존한다.
• 레이블이 없는 데이터, 가상 데이터(PDE 잔차), 제한된 레이블 데이터를 활용하여 물리적으로 일관된 대리모형을 학습한다.
• 다양한 경계 조건과 미세구조 하에서 불확실성 정량화 및 외삽 추정 기능을 제공한다.

제안 방법

• 이산적 미세구조를 연속 잠재 공간 z에 임베딩하여 미세구조를 완화하지 않고도 미분 가능 추론을 가능하게 한다.
• 다중모드 잠재 구조를 포착하기 위해 RealNVP 정규화 흐름을 통한 학습 가능한 사전 분포 p_theta(z)를 사용한다.
• 이산적 미세구조에 대한 디코더 p_theta(x|z) 구현(이진의 경우 로지스틱 PCA; 다상인 경우 범주형) 및 PDE 해에 대한 p_theta(u|z) 를 물리학 인식 거친 해석기(coarse-grained decoder)를 통해 구현한다.
• 신경 매핑 f_theta로 z를 PDE 입력에 연결하되 PDE 출력은 해 Y(X)와 이를 통해 얻는 h(Y)로 상승시키는 방법으로 연산하여 y를 얻는 미분 가능하고 물리 정보를 반영하는 병목을 생성한다.
• 세 가지 데이터 모달리티(라벨링되지 않은 미세구조, 가상 PDE 잔차 데이터, 라벨링된 미세구조–PDE 해 솔루션 쌍)를 단일 ELBO 기반 목적함수(SVI)를 통해 학습한다.
• 잠재 공간에서 조건화하고 z에 대한 후방 추론(예: HMC)을 수행하여 x를 생성하거나 u를 예측하는 방식으로 같은 모델 내에서 순방향 및 역 문제를 가능하게 한다.

실험 결과

연구 질문

• RQ1 잠재 변수 GenPANIS 프레임워크가 물리적 충실도를 희생하지 않으면서 희박하거나 잡음이 있는 PDE 관측으로부터 이산적 미세구조를 복원할 수 있는가?
• RQ2 물리학 인식 디코더를 갖춘 통합 생성 접근법이 다상 매체의 순방향 및 역 PDE 문제에 대해 작업별 모델보다 우수한가?
• RQ3 제한된 라벨 데이터로 보이지 않는 경계 조건, 부피분율, 미세구조 형태에 대해 모델의 외삽 일반화 성능은 어느 정도인가?
• RQ4 다상 시스템에서 순방향 예측과 역 회복 모두에 대해 원칙적인 불확실성 정량화를 프레임워크가 제공할 수 있는가?

주요 결과

• GenPANIS는 보이지 않는 경계 조건, 부피분율, 미세구조를 포함한 외삽 시나리오에서도 정확도를 유지한다.
• 이 방법은 매개변수 수를 10–100배 줄이면서도 최첨단 접근법을 능가한다.
• 잠재 공간에서의 후방 샘플링을 통한 원칙적 불확실성 정량화를 제공한다.
• 학습은 라벨링되지 않은 데이터, 가상 데이터(PDE 잔차), 제한된 라벨 데이터를 활용하여 큰 라벨 데이터 세트에 대한 의존도를 줄인다.
• 물리 인식 가능하고 미분 가능한 거친 해석 PDE 디코더가 지배 방정식을 보존하고 다양한 조건으로의 외삽을 지원한다.
• 잠재 공간에서의 후방 추론은 역 문제에 대한 그래디언트 기반 추론과 데이터 효율적인 순방향 예측을 가능하게 한다.