PINN & MLIP: 기술적 관계와 시너지
물리 법칙 기반 신경망과 머신러닝 원자간 포텐셜의 비교 분석
1. PINN (Physics-Informed Neural Networks)
PINN은 데이터 중심의 학습에 물리 방정식(PDE)을 구속 조건으로 결합한 형태입니다.
손실 함수 L = Ldata + Lphysics를 최소화하도록 학습되어, 데이터가 부족한 영역에서도 물리적으로 타당한 결과를 도출합니다.
2. MLIP (Machine Learning Interatomic Potentials)
MLIP는 원자 스케일에서의 상호작용 에너지를 학습하여 양자역학 계산을 대체합니다.
원자 배치를 입력받아 총 에너지 E와 힘 F = -∇E를 예측하며, 대규모 시뮬레이션을 가능하게 합니다.
3. 핵심 차이점 비교
| 구분 | PINN | MLIP |
|---|---|---|
| 접근 방식 | 지배 방정식(PDE) 직접 수용 | 에너지 곡면 근사 (Data-driven) |
| 공간 스케일 | 연속체 (Macro/Meso) | 원자 단위 (Micro/Atomic) |
| 물리의 역할 | Loss Function을 통한 규제 | 대칭성 및 불변성 구조 설계 |
댓글 없음:
댓글 쓰기