• 목록

[일시] 2023.11.16

[세미나 주제] Physics-Informed Machine Learning

[요약]
본 세미나에서는 physics-informed machine lseraning에 대한 발표를 진행했다. 연구실 내에서 해당 분야에 대해 접해보지 않았기 때문에 논문 위주의 설명 보다 개념을 설명하고자 하였다. physics-informed란 물리적인 법칙(ex, 질량 보존의 법칙)과 같은 정보를 이용하여 데이터에 대한 설명력을 추가하여 유전학, 물리학 등 불변의 법칙이 존재하고 데이터 수집이 어려운 분야에 적용되고 있는 기법이다. 해당 분야들을 데이터를 수집하기 어렵기 때문에 주어진 적은 양의 데이터로도 데이터 분석하고자 한 시도라고 생각하면 될 것 같다. 해당 분야는 데이터 특성에 따라 그리고, 수식을 정의하는 능력에 따라 활용하기 쉬울 수도 있고 어려울 수도 있다고 생각한다. 절삭 계수에 대한 연구를 진행하는 입장에서 이런 물리적인 법칙과 같은 공식이 주어져 있는 데이터 특성상 physics-infromed 기법을 활용하면 좋을 것 같아 추후 관련 수식과 활용 가능한 데이터를 맞춰 시도해 보려는 계획에 있다.

[참고 논문]
1. Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational physics, 378, 686-707.
2. Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422-440.