박은병 교수 연구팀 AAAI 2023 논문 게재 승인 및 NeurIPS 2022 Workshop spotlight 선정
- ice
- 조회수3363
- 2022-11-23
정보통신대학 박은병 교수 연구팀과 수학과 홍영준, 윤석배 교수의 최근 연구 결과가 인공지능분야 최우수 학술대회중 하나인 AAAI 2023 (37th AAAI Conference on Artiricial Intelligence)에 게재 승인 되었다. 또한, 이 연구는 NeurIPS 2022에서 개최하는 DLDE-II 워크샵에 spotlight으로 선정되어 15분 발표 세션을 맡게 되었으며 총 6편의 논문에게만 구두 발표의 기회가 주어졌다. 매년 수 천편 이상의 논문이 발표되는 인공지능 분야에서 연구 결과를 널리 알릴 수 있는 좋은 기회가 될 것으로 기대된다.
논문: “Physics-Informed Cell Representations for Fast and Accurate PDE Solvers”, 강남규, 이병현, 홍영준, 윤석배, 박은병
NeurIPS 워크샵 홈페이지: The Symbiosis of Deep Learning and Differential Equations (DLDE) (dlde-2022.github.io)
편미분방정식은 많은 공학 및 과학 분야에서 물리현상을 모델링할 때 사용되는 방정식이다. 그 해법을 구하는 것이 매우 어려운 것으로 알려져 있으며, 최근 인공지능 모델을 사용하여 해법을 구하는 연구가 주목을 받고 있다. 본 연구는 기존의 수치해석적 기법과 최근의 인공지능 방법론의 장단점을 결합하여 좀 더 빠르고 정확하게 편미분 방정식 해를 구하는 방법론을 제안하였다. 수치해석과 기계학습 방법의 조합하는 기초를 마련했으며 추후 확장성이 매우 기대되는 연구이다.
초록:
With the increases in computational power and advances in machine learning, data-driven learning-based methods have gained significant attention in solving PDEs. Physics-informed neural networks (PINNs) have recently emerged and succeeded in various forward and inverse PDEs problems thanks to their excellent properties, such as flexibility, mesh-free solutions, and unsupervised training. However, their slower convergence speed and relatively inaccurate solutions often limit their broader applicability in many science and engineering domains. This paper proposes a new kind of data-driven PDEs solver, physics-informed cell representations (PIXEL), elegantly combining classical numerical methods and learning-based approaches. We adopt a grid structure from the numerical methods to improve accuracy and convergence speed and overcome the spectral bias presented in PINNs. Moreover, the proposed method enjoys the same benefits in PINNs, e.g., using the same optimization frameworks to solve both forward and inverse PDE problems and readily enforcing PDE constraints with modern automatic differentiation techniques. We provide experimental results on various challenging PDEs that the original PINNs have struggled with and show that PIXEL achieves fast convergence speed and high accuracy.