물리학 정보 신경망(PINN)은 미분 방정식을 푸는 데 널리 사용되지만, 최근 연구에서 PINN이 함수 값은 정확하게 예측하더라도 미분(derivative) 값에서는 상당한 오차를 보일 수 있다는 '미분 충실도(derivative fidelity) 실패 모드'가 확인되었습니다. 이는 자동 미분(automatic differentiation)을 통해 미분 방정식의 잔차(residual)를 부과하는 PINN의 근본적인 한계점을 드러내는 것으로, 시각적으로는 정확해 보이는 함수 근사(function approximation)가 실제 물리적 거동을 정확히 반영하지 못할 수 있음을 의미합니다.
고지 코야마다(Koji Koyamada) 연구팀은 이 가설을 검증하기 위해 단일 차원 벤치마크 테스트를 수행했습니다. 다층 퍼셉트론(Multilayer Perceptron, MLP)을 sin(x)와 exp(x) 같은 간단한 함수의 함수 값에만 훈련시킨 후, 자동 미분으로 얻은 2차 미분 값을 별도로 평가했습니다. 훈련점 밀도, 활성화 함수(activation function), 경계점 조밀 평가, L2 및 최대 오차 진단 등 다양한 조건에서 추가 테스트를 진행한 결과, 함수 근사는 시각적으로 정확했지만, 2차 미분에서는 훨씬 큰 오차가 발생했습니다. 특히 곡률이 높은 경계 영역(high-curvature boundary regions) 근처에서 이러한 미분 오차가 두드러지게 나타났습니다.
이 연구는 PINN의 '값 정확도(value accuracy)'와 '물리 잔차 신뢰성(physics-residual reliability)'을 구분하는 진단 프로토콜의 필요성을 강조합니다. PINN은 공학 및 과학 분야에서 복잡한 물리 시스템을 모델링하고 시뮬레이션하는 데 유망한 도구로 평가받아왔습니다. 그러나 이번 연구 결과는 PINN을 실제 문제에 적용할 때, 단순히 함수 값의 정확성만을 볼 것이 아니라 미분 값의 정확성, 즉 물리적 거동의 충실도를 함께 검증해야 함을 시사합니다. 이는 PINN 기반 솔루션의 신뢰성을 높이고, 예측의 오류로 인한 잠재적 위험을 줄이는 데 중요한 지침이 될 것입니다.