[논문 리뷰] When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning

Chuizheng Meng, Sungyong Seo외 3명|arXiv (Cornell University)|2022. 03. 31.

Computational Physics and Python Applications인용 수 57

한 줄 요약

물리 정보 기반 머신러닝(PIML)의 포괄적 설문으로, 동기, 물리 지식의 유형, 통합 방법 및 향후 연구 방향을 상세히 다룬다.

ABSTRACT

Physics-informed machine learning (PIML), referring to the combination of prior knowledge of physics, which is the high level abstraction of natural phenomenons and human behaviours in the long history, with data-driven machine learning models, has emerged as an effective way to mitigate the shortage of training data, to increase models' generalizability and to ensure the physical plausibility of results. In this paper, we survey an abundant number of recent works in PIML and summarize them from three aspects: (1) motivations of PIML, (2) physics knowledge in PIML, (3) methods of physics knowledge integration in PIML. We also discuss current challenges and corresponding research opportunities in PIML.

연구 동기 및 목표

• 물리학 및 실제 문제에서 PIML의 활용을 분류하고 동기를 부여한다.
• ML 모델에 통합될 수 있는 물리 지식을 식별하고 분류한다.
• 데이터 강화, 아키텍처 설계 및 물리 정보 기반 최적화를 포함하여 물리를 ML에 접목시키는 방법을 조사한다.
• 현재의 과제들을 논의하고 PIML의 향후 연구 기회를 제시한다.

제안 방법

• PIML 동기의 계층: 물리를 위한 ML과 ML를 위한 물리의 분류 체계를 제안한다.
• PIML에서 사용되는 물리 지식 유형을 분류한다(역학, 대칭성, PDE, 인과성 등).
• 물리 지식이 도입되는 위치에 따라 통합 approaches를 정리한다: 데이터 증강, 신경망 아키텍처, 물리 정보 기반 최적화.
• 대표 기술과 도메인(대리 시뮬레이션, 데이터 기반 PDE 해석기, ROMs, 제어)을 강조한다.
• PIML의 도전과제와 잠재적 연구 방향을 개략한다.

실험 결과

연구 질문

• RQ1 물리학 및 실제 문제에서 PIML 사용의 동기는 무엇인가?
• RQ2 문제 전반에 걸쳐 PIML에서 활용되는 물리 지식의 범주는 무엇인가?
• RQ3 물리 지식을 ML 모델에 통합하는 주요 방법은 무엇인가?
• RQ4 PIML 연구의 주요 도전과제와 향후 기회는 무엇인가?

주요 결과

• PIML은 물리 선험 지식과 데이터 기반 모델을 결합하여 데이터 효율성, 일반화 및 물리적 타당성을 향상시킨다.
• 설문은 데이터 강화, 아키텍처 설계, 최적화를 포함한 여러 통합 방식들을 다루며, 물리 지식이 주입되는 방식과 위치에 따라 정리된다.
• 고전 물리 원리(예: 뉴턴 역학, 라그랑주, 해밀토니언 역학)와 대칭성 및 보존 법칙의 개념이 PIML에서 일반적으로 지침 도구로 사용된다.
• 적용 분야는 물리 및 공학 관련 도메인에서 대리 시뮬레이션, 데이터 기반 PDE 해석기, 축소 모형화, 모델 기반 제어에 걸친다.
• 논문은 도전과 기회를 논의하며, PIML의 향후 연구를 이끄는 것을 목표로 한다.