docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links

10_Wiki/Topics_GD/Physics-informed-Neural-Networks.md

@@ -2,7 +2,7 @@
 id: AI-PINNS-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, [[Deep-Learning]], pinns, [[Physics]]-informed-ml, pde, scientific-computing]
+tags: [ai, [[Deep-Learning|Deep-Learning]], pinns, [[Physics|Physics]]-informed-ml, pde, scientific-computing]
 last_reinforced: 2026-04-26
 ---
 
@@ -14,15 +14,15 @@ last_reinforced: 2026-04-26
 ## 📖 구조화된 지식 (Synthesized Content)
 - **추출된 패턴:** "Physics-constrained Loss Function" — 관측 데이터와 예측값 사이의 오차뿐만 아니라, 예측값이 물리 방정식(예: 나비에-스토크스, 열 방정식)을 얼마나 잘 준수하는지를 나타내는 '물리 손실(Physics Loss)'을 함께 최소화하도록 학습하는 패턴.
 - **주요 장점:**
-    - **Data [[Efficiency]]:** 물리 법칙이 강력한 가이드라인 역할을 하므로, 훨씬 적은 양의 데이터로도 학습 가능.
+    - **Data [[Efficiency|Efficiency]]:** 물리 법칙이 강력한 가이드라인 역할을 하므로, 훨씬 적은 양의 데이터로도 학습 가능.
     - **Extrapolation:** 학습하지 않은 영역에 대해서도 물리적 일관성을 유지하며 예측 가능.
     - **Scientific Discovery:** 관측값으로부터 역으로 물리 파라미터를 추정하는 문제(Inverse Problem) 해결에 탁월.
 - **의의:** AI를 단순한 데이터 분석 도구에서 '과학적 발견'과 '공학적 설계'의 핵심 파트너로 격상시킨 기술.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 물리 법칙은 수치 해석(FEM 등)으로만 풀어야 한다는 고정관념을 깨고, 이제는 신경망이 물리 공간의 연속적인 해([[Solution]])를 직접 근사하여 실시간 시뮬레이션을 가능케 함.
+- **과거 데이터와의 충돌:** 물리 법칙은 수치 해석(FEM 등)으로만 풀어야 한다는 고정관념을 깨고, 이제는 신경망이 물리 공간의 연속적인 해([[Solution|Solution]])를 직접 근사하여 실시간 시뮬레이션을 가능케 함.
 - **정책 변화:** Antigravity 프로젝트는 향후 Skybound의 복잡한 물리 엔진 최적화 시, 데이터 노이즈에 강하면서도 물리적 개연성을 보장하는 PINNs 방법론을 적극 검토함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Partial-Differential-Equations]], [[Optimal-Control-Theory]], Fluid-Dynamics, Scientific-Computing-in-AI
+- [[Partial-Differential-Equations|Partial-Differential-Equations]], [[Optimal-Control-Theory|Optimal-Control-Theory]], Fluid-Dynamics, Scientific-Computing-in-AI
 - **Raw Source:** 10_Wiki/Topics/AI/Physics-informed-Neural-Networks.md