최근 발표된 연구에 따르면, 인공지능(AI)이 여러 출처의 데이터를 통합하여 물리 시스템을 지배하는 편미분 방정식(PDEs)을 자동으로 찾아내는 새로운 방법론이 제시되었습니다. 이는 과학적 머신러닝(scientific machine learning) 분야에서 해석 가능한 모델을 구축하는 데 중요한 진전으로 평가됩니다. 기존의 데이터 기반 접근 방식은 주로 단일 데이터셋에 의존하여 관측치가 제한적일 때 성능 한계가 있었지만, 이번 연구는 이러한 제약을 극복하는 데 초점을 맞췄습니다.
MCO-PDE(Multi-source Competitive Optimization for PDEs)라는 이름의 이 프레임워크는 각 데이터 소스에 대해 독립적인 신경망 대리 모델(neural surrogates)을 훈련한 뒤, 경쟁적 가중치 메커니즘을 통해 각 데이터셋의 신뢰도를 동적으로 평가하고 이를 종합하여 전역 계수(global coefficient)를 도출합니다. 여기에 유전 알고리즘(genetic algorithm)을 결합하여 방정식의 함수 형태와 매개변수를 동시에 식별합니다. 연구진은 각 데이터셋당 50개라는 적은 관측치만으로도 7가지 사례에서 정형화된 방정식을 높은 정확도로 복구할 수 있음을 입증했습니다. 이 프레임워크는 불규칙한 경계와 이질적인 계수를 가진 2차원 및 3차원 영역을 처리할 수 있으며, 실제 파도 수조(wave-tank) 실험 데이터에서 물리적으로 의미 있는 법칙을 성공적으로 추출했습니다.
이러한 기술은 제한된 실험 데이터만으로도 복잡한 물리 현상의 근본 원리를 밝혀낼 수 있어, 재료 과학, 유체 역학, 기후 모델링 등 다양한 과학 및 공학 분야에 혁신적인 영향을 미칠 수 있습니다. 특히, 데이터가 부족하거나 실험 비용이 많이 드는 영역에서 새로운 가설을 생성하고 검증하는 과정을 크게 단축시킬 수 있습니다. 궁극적으로 이 연구는 이질적인 데이터 융합을 통한 자동화된 과학적 발견의 유망한 길을 열어주며, 인간 과학자가 직관적으로 파악하기 어려운 복잡한 시스템의 이해를 돕는 강력한 도구가 될 것으로 기대됩니다.