PINN의 신뢰성 확보: 유한 차분법을 통한 오차 추정

Building Trust in PINNs: Error Estimation through Finite Difference Methods

물리학 기반 신경망(PINN)은 열전도부터 양자역학 시스템에 이르기까지 다양한 현상을 모델링하는 편미분방정식(PDE)을 해결하기 위한 유연한 딥러닝 접근 방식입니다. 그러나 PINN은 예측이 실제 해와 얼마나 다른지에 대한 제한적인 통찰력을 제공하여 예측 품질에 대한 신뢰를 저해합니다. 본 연구에서는 PINN 예측에 대한 점별 오차 추정치를 생성하여 이러한 격차를 해소하는 경량의 사후 분석 방법을 제안합니다. 이는 PINN 모델에 대한 자연스러운 설명 방식으로, 예측이 틀린지 여부를 판단하는 것뿐만 아니라, 어디서 얼마나 틀렸는지 식별할 수 있도록 합니다. 선형 편미분방정식의 경우, PINN 근사값과 실제 해 사이의 오차는 원래 문제와 동일한 미분 연산자를 만족하지만, PINN의 PDE 잔차를 소스 항으로 사용합니다. 본 연구에서는 실제 해에 대한 지식 없이 유한 차분법을 사용하여 이 오차 방정식을 수치적으로 해결합니다. 여러 벤치마크 PDE에 대해 평가한 결과, 본 방법은 낮은 계산 비용으로 정확한 오차 지도를 제공하며, PINN의 대상화되고 해석 가능한 검증을 가능하게 합니다.

Physics-informed neural networks (PINNs) constitute a flexible deep learning approach for solving partial differential equations (PDEs), which model phenomena ranging from heat conduction to quantum mechanical systems. Despite their flexibility, PINNs offer limited insight into how their predictions deviate from the true solution, hindering trust in their prediction quality. We propose a lightweight post-hoc method that addresses this gap by producing pointwise error estimates for PINN predictions, which offer a natural form of explanation for such models, identifying not just whether a prediction is wrong, but where and by how much. For linear partial differential equations, the error between a PINN approximation and the true solution satisfies the same differential operator as the original problem, but driven by the PINN's PDE residual as its source term. We solve this error equation numerically using finite difference methods requiring no knowledge of the true solution. Evaluated on several benchmark PDEs, our method yields accurate error maps at low computational cost, enabling targeted and interpretable validation of PINNs.