인공지능(AI) 기반의 신경망 연산자(Neural Operators)는 복잡한 편미분 방정식(PDE)의 해를 근사하는 데 혁신적인 성능을 보여주고 있습니다. 특히 푸리에 신경망 연산자(FNO)는 다양한 물리 시스템 시뮬레이션에서 뛰어난 정확도를 자랑하지만, 예측 결과에 대한 신뢰도, 즉 불확실성(uncertainty)을 정량적으로 제시하는 것은 여전히 어려운 과제로 남아있었습니다. 이러한 불확실성 추정은 공학 설계, 기후 모델링, 의료 진단 등 고위험 분야에서 AI 모델의 신뢰성을 확보하는 데 필수적입니다.
마이클 친(Michael Chin) 연구진은 이 문제를 해결하기 위해 '물리학 기반 등각 예측(Physics-Informed Conformal Prediction, PI-CP)'이라는 새로운 프레임워크를 제안했습니다. PI-CP는 등각 예측(Conformal Prediction)의 비적합성 점수(nonconformity score)에 PDE 잔차(residual)를 통합하는 방식입니다. 이를 통해 PI-CP는 예측 구간(prediction interval)이 특정 분포에 얽매이지 않으면서(distribution-free) 검증 가능한 커버리지 보장(provable coverage guarantees)을 제공합니다. 또한, PDE 잔차가 예측 오차와 상관관계가 있을 때 공간적으로 적응적인(spatially adaptive) 예측 구간을 생성합니다. 즉, 물리 법칙이 잘 지켜지는 영역에서는 더 좁은 예측 구간을, 위반되는 영역에서는 더 넓은 구간을 제시하여 예측의 신뢰도를 직관적으로 파악할 수 있게 합니다. 연구팀은 열전도, 구조 역학, 다르시 유동, 나비에-스토크스 방정식 등 6가지 물리 시나리오에서 PI-CP를 검증했으며, 기존 MC 드롭아웃(MC Dropout)이나 딥 앙상블(Deep Ensembles)보다 훨씬 안정적인 89-91%의 커버리지를 일관되게 달성했습니다.
이 연구는 신경망 연산자의 예측 불확실성 정량화에 중요한 진전을 가져왔습니다. 특히 물리 법칙을 모델의 불확실성 추정 과정에 직접 통합함으로써, AI 모델이 단순히 정확한 예측을 넘어 '왜' 그러한 예측을 했는지, 그리고 '얼마나' 신뢰할 수 있는지에 대한 중요한 단서를 제공합니다. 이는 과학 및 공학 분야에서 AI 모델의 적용 범위를 넓히고, 의사 결정 과정에서의 신뢰도를 높이는 데 크게 기여할 것입니다. 또한, FNO의 번역 등변성(translation equivariance)이 디리클레 경계 조건(Dirichlet boundary conditions)을 가진 PDE에 근본적인 근사 장벽을 만든다는 점을 증명하고, 좌표 채널(coordinate channels)을 통해 이를 해결하여 최대 63배의 오류 감소를 달성했다는 점도 주목할 만합니다. 이는 신경망 연산자 설계 및 적용에 있어 중요한 실용적 시사점을 제공합니다.