잡다구리 너구리

예상치 못하게 학부 때 하던 인공지능이나 해석과 동 떨어진 일을 하게 되어, 근 1년 간 딥러닝에 손을 떼고 있었다. 아무리 안 쓰더라도 마냥 손 떼기도 그렇고, 언젠가는 내가 하는 일에도 공부했던 것들을 적용하기를 바라며, 다시 하나둘 공부해 봐야겠다는 생각이 들었다. 그에 대한 일환으로 일단 학부 때 했던 것들을 기억을 되살려 하나씩 기록하려고 한다. 가장 먼저 할 건 귀찮아서 미뤄뒀던 Physics-Informed DeepONet(PIDoN) 예제 코드에 대한 포스팅이다. 본 포스팅에 사용할 예제 코드는 "Learning the solution operator of parametric partial differential equations with physics-informed DeepONets" ..

이전 발행 글에서 마저 분석하다만 Physics-Informed Neural Operator(PINO)의 코드를 분석할 예정이다. 방정식의 상세한 조건 세팅 등은 이전 글에 있으므로 검색을 통해 이번 포스팅부터 보시는 분들은 아래에 있는 링크를 통해 이전 글부터 보고 오시면 될 듯하다. 이전 글에서는 Generating Data, Fourier Neural Operator(FNO) 부분을 다뤘으며, 이번 글에서는 나머지인 Defined Loss function, Train Neural Operator 부분을 다룰 예정이다. 2023.10.10 - [인공지능/Deep Learning] - [PINO] Burger's Equation 예제 코드 분석 [1/2] [PINO] Burger's Equation 예..

이전의 PINN에 이어 Physics-Informed Neural Operator(PINO)의 알고리즘 작동 원리 및 코드 짜임새를 살펴보기 위해 Burger's Equation의 예제 코드를 분석해 볼 예정이다. Burger's Equation은 식 구성이 단순해선지는 모르겠지만, 여러 프레임워크가 시작 예제 느낌으로 코드를 많이 제공하기 때문에, 가능한 한 앞으로도 딥러닝 프레임워크의 코드 분석에 있어서는 Burger's Equation을 사용하지 않을까 싶다. 동일한 방정식을 토대로 한 여러 코드를 보다 보면 방정식을 확실하게 알고 있다 보니, 그만큼 각 프레임워크의 차이도 구별하기 쉬운데, 이 글을 읽는 여러분들이 이런 효과를 조금이라도 느끼셨으면 하는 마음도 있다. 이번 포스팅에 사용할 코드는 ..