플로우 매칭(flow matching) 및 확산 모델(diffusion models)과 같은 심층 생성 모델은 복잡한 동역학계를 학습하는 데 잠재력을 보여주었으나, 일반적으로 기저의 물리적 구조를 무시하는 블랙박스로 작동합니다. 반면 편미분 방정식으로 지배되는 물리 기반 모델은 소스 항의 부재나 불확실한 매개변수화로 인해 불완전한 경우가 많습니다. 본 논문에서는 이류(advection) 형태의 물리 사전확률(physics prior)과 데이터 기반 구성 요소를 변분 프레임워크 내에서 결합한 일기 예보용 변분 시뮬레이션-프리 동역학 정보 프레임워크인 Climate Physics Dynamic Matching(ClimPhyDM)을 제시합니다. 시간 단위(42시간) 및 월 단위(5개월) 해상도의 ERA5 벤치마크에서 ClimPhyDM은 ClimODE 및 GB-DM보다 우수한 성능을 보이며 확장된 예측 기간에서도 더 낮은 오차를 유지하여 향상된 시간적 안정성과 오차 누적에 대한 저항성을 입증했습니다. 또한 시뮬레이션-프리 패러다임 덕분에 단일 12 GB 보급형 소비자용 GPU에서도 학습이 가능합니다.
결정(crystal) 생성은 재료 과학 분야에서의 폭넓은 응용 가능성으로 인해 최근 큰 관심을 받고 있습니다. 그러나 기존 생성 모델들은 완전한 결정학적 사양을 생성하는 데 어려움을 겪고 있으며, 이로 인해 전역 대칭성과 구조적 의존성을 포착하는 능력이 제한됩니다. 특히, 현재의 최고 수준 접근법들은 부위 대칭성(site symmetry)까지만 결정을 생성하며, 생성 과정에서 경험적 분포로부터 공간군(space group)을 샘플링하는 데 의존합니다. 본 연구에서는 결정이 외부 조건에 따라 대칭성을 깨뜨리는 물리학의 자발적 대칭성 깨짐(spontaneous symmetry breaking)에서 영감을 받아, 가장 낮은 대칭성의 사전 분포로부터 역방향 과정을 거쳐 전체 구조 사양을 생성하는 새로운 확산(diffusion) 기반 프레임워크를 제안합니다. 제안하는 방법은 마르코프 점프-확산(Markovian jump-diffusion) 과정을 활용하여 이러한 대칭성 깨짐 역학을 모델링함으로써, 물리적으로 타당한 방식으로 서로 다른 공간군들을 넘나들 수 있도록 합니다. SbCD(Symmetry-breaking Crystal Diffusion)로 명명된 본 모델은 생성 과정에 공간군 간 전이(inter-space-group transition)를 명시적으로 통합하는 원리적인 접근법을 도입합니다. MP20 및 MPTS-52 데이터셋을 활용한 데 노보(de novo) 생성 실험에서 SbCD는 대칭성을 보존하는 기존 방식 모델 대비 상당한 마진으로 우수한 성능을 보여, 결정질 재료의 생성 모델링에 유망한 관점을 제시합니다.