순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
Multi-Objective Loss Balancing for Physics-Informed Deep Learning
Rafael Bischof, Michael Anton Kraus · Computer Methods in Applied Mechanics and Engineering · 2025년 · 조회 12
왜 이 논문인가 — 선정 기준
HOT PAPER · 최근 가장 주목받는 논문 — 피인용·FWCI·동년 인용 백분위
2025-03 발표 · 피인용 226회 · FWCI 99.3 · 동년 인용 상위 1%
HOT 슬롯은 최신 논문의 주목도를 반영하는데, 2025년 발표 후 226회의 피인용과 FWCI 99.3으로 동년 상위 1%에 올라 있다.
논문 요약
본 연구는 물리‑정보 신경망(PINN)에서 여러 손실 항목을 적절히 가중치하는 것이 학습 성능에 미치는 영향을 조사한다. 기존의 Learning Rate Annealing, GradNorm, SoftAdapt 세 가지 손실 스케일링 방법을 검토하고, 새로운 자기‑적응형 균형 기법인 ReLoBRaLo(Relative Loss Balancing with Random Lookback)를 제안한다. 다양한 PDE 문제에 대한 실험을 통해 ReLoBRaLo가 학습 안정성과 해 정확도를 크게 향상시킴을 확인하였다.
후속 연구설계에 활용하기
새로운 물리 기반 문제에 PINN을 적용할 때 ReLoBRaLo를 손실 가중치 전략으로 채택하거나, 기존 방법과 비교 실험을 설계할 수 있다.
핵심어
물리‑정보 신경망손실 균형ReLoBRaLo다목적 손실
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.