불완전한 물리 사전에서 비선형 시스템 식별 시 SINDy의 편향을 줄이기 위해, 희소 매개변수 선택(화이트 박스)과 가우시안 과정(GP) 불일치 학습(블랙 박스)을 직교 불일치 커널로 결합한 반모수적 그레이박스 프레임워크를 제안한다. 수치 예제에서는 예측 정확도는 비직교 GP와 유사하지만, 직교 GP가 관련 기저 함수를 더 정확히 선택해 해석 가능성이 더 높다.
냉원자 실험의 머신러닝 분석을 통합한 Python 패키지 Q-GAIN을 소개하며, 보스-아인슈타인 응집체(BEC) 이미지에서 분류, 객체 검출, 물리 정보 기반 메트릭을 모듈형 워크플로우로 제공한다. MNIST 분류, 솔리톤 검출(SolDet), 고리형 BEC의 양자화 소용돌이 검출 등 세 가지 응용 사례를 통해 프레임워크의 확장성과 재사용성을 입증한다.
UniWind은 물리 기반 상태 라우팅(physics-informed state routing)을 활용해 풍력 발전소의 차일 풍력 발전량 예측에서 기상 조건에 의한 물리적 발전 잠재량과 운영 상태(shutdown, curtailment 등)에 따른 실제 발전량을 명시적으로 분리한다. Physical Prior Estimator로 사이트별 물리 사전 분포를 추정하고, Latent State Encoder와 State-aware Power Corrector로 잠재 운영 상태를 모델링하여 20개 이상의 실제 데이터셋에서 풀샷 및 크로스팜 제로샷 모두에 걸쳐 높은 정확도와 강건성을 입증했다.
Generative Astrodynamics is advanced in this work by extending generative modelling to an orbit determination problem in the cislunar environment. The task is formulated as conditional density estimation, aiming to infer the probability distribution of the initial state from angles-only measurements over short observation arcs. A normalising flow is trained on perturbed topocentric observations from Near Rectilinear Halo Orbits, enabling a flexible and potentially multimodal posterior representation. Given new measurements, the learned density is sampled to generate statistically consistent and physics-informed state hypotheses. These estimates are refined via nonlinear least-squares minimisation, providing a competitive warm start for classical algorithms.
We present a framework for fine-tuning flow-matching generative models to enforce physical constraints and solve inverse problems in scientific systems. Starting from a model trained on low-fidelity or observational data, we apply a differentiable post-training procedure that minimizes weak-form residuals of governing partial differential equations (PDEs), promoting physical consistency and adherence to boundary conditions without distorting the underlying learned distribution. To infer unknown physical inputs, such as source terms, material parameters, or boundary data, we augment the generative process with a learnable latent parameter predictor and propose a joint optimization strategy. The resulting model produces physically valid field solutions alongside plausible estimates of hidden parameters, effectively addressing ill-posed inverse problems in a data-driven yet physicsaware manner. We validate our method on canonical PDE benchmarks, demonstrating improved satisfaction of PDE constraints and accurate recovery of latent coefficients. Our approach bridges generative modelling and scientific inference, opening new avenues for simulation-augmented discovery and data-efficient modelling of physical systems.
과학 계측기 보정(calibration)을 자기지도(self-supervised) 최적화 문제로 재정의하여, 사전 보정 신호나 외부 레이블 없이 원시 측정값에서 검출기 보정 파라미터와 태스크별 예측을 동시에 학습하는 물리 정보 기반 프레임워크를 제안한다. VAMOS++ 자기 분광기에서의 이온 전하 상태 결정 실험을 통해, 원자 질량의 이산적 특성을 활용한 반복적 분수 의사 레이블링(pseudo-labelling)이 정확한 보정과 자동 검출기 상태 모니터링을 동시에 가능하게 함을 입증하였다.
PCGD는 TCAD 반도체 소자 시뮬레이션의 높은 계산 비용 문제를 해결하기 위해, 비구조화 메시 위에서 직접 동작하는 물리 기반 조건부 그래프 확산(Physics-Guided Conditional Graph Diffusion) 프레임워크를 제안한다. 혼합 PN/MOS 벤치마크에서 평균 상대 오차 0.835%를 달성하며 기존 단일 단계 회귀 및 국소 확산 기준선을 크게 능가하고, LoRA 적응을 통해 미관측 SOI 토폴로지에도 강건하게 전이된다.
반도체 계산 리소그래피의 Layout-Mask-Resist Image-ADI 다단계 물리 공정을 의사결정 기반 진화 시스템으로 모델링하는 최초의 물리 정보 기반 월드 모델(WM) LithoDreamer를 제안하며, 단계별 잠재 공간과 대조 변분 최적화로 연속 감독 없이 공정 개입을 학습한다. 실험에서 순방향 진화와 역방향 계획 모두 최첨단 성능을 보였고, 28만 쌍 규모 리소그래피 데이터셋을 공개한다.
배경. 무선 캡슐 내시경(WCE)을 위한 RGB 학습 분류기는 헤모글로빈 대비를 담즙 착색 및 조명 감쇠와 혼동하여, 림프관확장증(Lymphangiectasia)과 같은 소혈관 혈관 소견에 대한 민감도를 제한한다. 본 연구에서는 분석적이고 몬테카를로(Monte-Carlo) 기반의 헤모글로빈 사전 정보(prior)를 표준 분류기에 순전히 학습 시간에만 주입하는 물리 정보 기반 프레임워크를 소개한다 -- 이는 WCE 분류에서 명시적인 광전달(light-transport) 사전 정보를 사용한 최초의 사례로 알려져 있다. 방법. Kvasir-Capsule(47,238 프레임, 43명 환자, 11개 평가 가능 클래스; 환자 비중복 분할)에서 6개의 시드에 걸쳐 RGB 전용 EfficientNet-B0 기준선 대비 다음을 테스트하였다: (i) P_blood 사전 정보를 RGB와 함께 공급하는 5채널 입력 융합 변형; (ii) 추론 시 일반 3채널 RGB로 동작하는 지식 증류 변형; (iii) 시간적 트랜스포머와 오토인코더-잔차 스트림을 추가한 3스트림 확장. ResNet-18 및 ConvNeXt-Tiny에서도 이를 재현하였으며, 공개 Galar 코호트에서의 교차 제조사 제로샷 전이를 보고한다. 결과. 입력 융합은 교차 시드 매크로 AUC를 0.760 → 0.783으로 향상시키고(6개 시드 중 5개에서 긍정적); 지식 증류는 0.773에 도달하며; 3스트림 모델은 0.804에 도달한다(기준선 대비 +0.044, 쌍체 DeLong p < 1e-4). 림프관확장증 AUC는 0.238 → 0.337로 상승하며, 6개 시드 전체에서 부호 일관성을 보인다. 4가지 변형에 대한 절제 실험(ablation)은 매개변수화-메커니즘 경계를 드러낸다: 공간-채널 형태만이 성능을 향상시킨다. Galar에서의 교차 제조사 제로샷은 ConvNeXt-Tiny 향상의 약 60%를 유지한다.
기계학습 모델은 화학 공정 시스템 모델링에 점점 더 많이 사용되고 있지만, 원칙적인 불확실성 정량화와 물리적 제약을 강제하는 메커니즘이 종종 부족하다. 우리는 주어진 허용 오차 내에서 선형 등식 제약 조건의 만족을 보장하면서 우연적 불확실성(aleatoric uncertainty)을 포착하는 확률적 신경망 프레임워크를 제안한다. 최신(state-of-the-art) 방법들과 비교할 때, 우리의 공식화는 축소된 데이터에서 예측 정확도, 불확실성 보정, 제약 준수 측면에서 개선된 성능을 보여준다. 또한 대규모 데이터 체제에서 평가할 때 경쟁력 있는 성능을 보이면서 학습 시간이 훨씬 더 빠르다. 우리는 이를 두 건의 배치 리액터 사례 연구에서 질량 수지를 강제하는 조건 하에 평가했다.
보존 법칙, Hamiltonian 형식, 대칭과 같은 물리 구조 사전정보(prior)는 올바를 때 과학적 기계학습(scientific machine learning)을 개선할 수 있지만, 잘못 명시되면 예측을 악화시킬 수 있다. 기존 방법은 보통 선택된 구조를 강제하거나 부드러운 페널티를 조정하지만, 사전정보를 부과할지 여부, 얼마나 강하게 부과할지, 어떤 사전정보를 사용할지, 후보 법칙의 어떤 부분집합이 성립하는지를 결정하는 보정된 규칙 없이 수행한다. 우리는 이 문제를 비제약 추정량(unconstrained estimator)의 구조 위반 블록에 대한 수축(shrinkage)으로 다루는 폐형식(closed-form) 프레임워크인 SPADE(Structure-Prior Adaptive Decision Estimation)를 제안한다. SPADE는 하나의 정확한 명세 검정(specification test)과 하나의 추정량(estimand)을 사용한다. 검정은 데이터가 사전정보를 뒷받침하는지 결정하고, Stein-불편 James-Stein 수축은 $O(σ^2/n)$ 오라클 보장으로 강제 강도를 설정하며, 게이트(gate)는 검정이 이를 인증할 때만 하드 사전정보에 확정(commit)한다. 동일한 검정은 비중첩 제약 패밀리에서 부분집합 발견을 위한 일관된 중첩 구조 선택과 Benjamini-Hochberg 통제를 제공한다. 선형 부분공간 사전정보, 저수지 보존 법칙, Duffing 역학에 대한 비선형 Hamiltonian 사전정보에 걸쳐 SPADE는 오라클을 추적하고, 신경망 기준선(baseline)을 능가하며, 올바른 사전정보 regret을 $10.3\%$에서 $2.6\%$로 줄이고, 풀이 횟수의 $1/71$로 교차 검증(cross-validation)과 일치하며, 정확한 구조를 $100\%$ 정확도로 선택하고, 통제된 false relaxation으로 부분 법칙을 복원한다.
전 지구 관측소 기상 예측(GSWF)을 위한 대규모 관측 데이터셋 WEATHER-5K를 제안하고, 동적 코어와 Transformer 잔차를 결합한 물리 정보 기반 모델 PhysicsFormer로 기압-바람 정렬·에너지 인식 평활화 손실을 통해 물리적 일관성을 강제한다. PhysicsFormer를 포함한 시계열 예측(TSF) 모델을 운용 수치 기상 예측(NWP) 시스템과 여러 기상 변수·극한 사건·모델 복잡도 기준으로 벤치마킹해 학계 TSF와 실무 예측 간 격차를 평가한다.
학습 기반 단일 촬영 프린지 투영 형상측정(FPP)은 대부분 근거리에서 연구되어 왔다. 장거리 영역(1 m 이상의 이격 거리)은 여전히 거의 다루어지지 않았다. 역제곱 강도 감쇠가 프린지 신호 대 잡음비를 낮추고 물리적 실측값(ground truth)을 저하시키며, 단일 촬영 문제는 한 장의 이미지에서 프린지 차수 정보가 없기 때문에 부정식(ill-posed)이고, 이러한 아키텍처는 기계적으로 연구된 적이 없다. 우리는 기계적 해석가능성(MI)과 준수형(conformal) 불확실성 정량화(UQ)를 수렴적 진단 수단으로 사용하는 진단-복구-검증 연구를 제시한다. 이들은 하나의 물리적 실패 지점에 대해 일치하며, 이를 통해 아키텍처 수준의 복구를 이끌고 검증한다. 사실적(photorealistic) 합성 벤치마크(1.5–2.1 m에서 50개 객체, 15,600장의 프린지 이미지)에서 최고의 UNet 기준선은 14.54 mm의 객체 평균 절대 오차(MAE)에 도달한다. 세 가지 탐침(선형 프로빙, Grad-CAM, 평면 분포 외(out-of-distribution) 테스트)이 수렴한다. 기준선은 프린지 위상 디코딩이 아니라 객체 경계의 형상 사전(shape prior)을 통해 과제를 해결한다. 우리는 깊이가 아닌 래핑된(wrapped) 위상을 출력하고 위상을 깊이로 매핑하는 고정된 미분 가능한 보정 층을 적용하는 PhiCalNet으로 이를 복구한다. 이를 통해 형상 사전 해를 손실 페널티가 아닌 아키텍처적으로 가설 공간에서 제거한다. 깊이 회귀 네트워크에 동일한 물리를 소프트 페널티로 강제하는 물리 정보 기반 손실은 측정 가능한 이득을 주지 않아, 아키텍처가 작동 요인임을 분리한다. PhiCalNet은 객체 MAE를 3.3배 감소시켜 4.46 mm에 이르게 한다. 잔차는 ±π 래핑 불연속 지점에서 0.103%의 픽셀에 의해 담당된다. 픽셀 단위 준수형 UQ가 진단을 확인한다. 스냅샷 불일치에 따라 객체 픽셀 상위 5%를 거부하면 PhiCalNet RMSE가 64% 감소한다(20.6→7.4 mm), 기준선의 경우 3.5%에 비해. MI와 UQ는 동일한 실패 지점에서 수렴한다.
제조 분야에서 공정-특성 관계를 예측하는 것은 종종 높은 실험 비용과 복잡한 '블랙박스' 모델의 제한된 해석 가능성으로 인해 어려움을 겪습니다. 본 논문은 데이터가 부족한 상황에서 높은 정확도의 예측을 달성하도록 설계된 새로운 지식 증류 프레임워크를 제안합니다. 이 프레임워크는 대규모 언어 모델(LLM)을 통해 과학 문헌에서 체계적으로 추출된 해석적 물리학 선행 지식(priors)을 특권 교사 모델(privileged teacher model)에 통합합니다. 우리는 엄격한 설정점(setpoints)이나 정적 및 고주파 시계열 서명의 조합을 나타내는 입력 변수 간의 복잡한 물리적 의존성을 포착하기 위해 그래프 마스킹 어텐션(Graph-Masked Attention) 층을 사용합니다. 이 특권 지식은 추론을 위해 경량화된 학생 예측기(student predictor)로 증류됩니다. 프레임워크의 타당성과 견고성은 5가지 다양한 제조 공정에 걸친 포괄적인 실험을 통해 평가됩니다. 작은 데이터셋 크기를 고려하여 통계적 신뢰성을 보장하기 위해, 반복 K-겹 교차 검증(repeated K-fold cross-validation) 기법을 사용하여 모델의 안정성과 일반화를 정량화합니다. 결과는 제안된 프레임워크가 평가된 모든 영역에서 일관되게 높은 예측 정확도를 달성함을 나타냅니다. 가장 중요한 것은, 아키텍처가 LLM에서 파생된 해석적 선행 지식이 최적이거나 완전하지 않은 시나리오에서도 견고한 예측 성능을 유지함으로써 상당한 내결함성(fault tolerance)을 보여준다는 점입니다. 또한, 학생 예측기는 6000 Hz를 초과하는 추론 주파수를 달성하여 표준 산업용 하드웨어에서 실시간 엣지 배포(edge deployment)를 용이하게 합니다. 이 연구는 데이터가 제한된 환경에서 이론 물리학과 실시간 산업 모니터링 사이의 격차를 해소하기 위한 확장 가능한 솔루션을 제공합니다.
전산 물리학(computational physics)에서 생성 모델(generative model)의 신뢰할 수 있는 외삽(extrapolation)은 여전히 핵심적인 과제로 남아 있습니다. 시간, 매개변수, 또는 형상의 유한한 범위에서 학습된 모델은 학습 분포(training distribution) 외부에서 물리적으로 일관되지 않은 예측을 생성할 수 있기 때문입니다. 본 연구에서는 최소 작용 원리 기반 디퓨전(Least-Action-Principle-Guided Diffusion, LAPG)을 소개합니다. 이 프레임워크는 학습(training) 시 부과되는 제약 조건에만 의존하는 대신, 추론(inference) 과정에서 물리적 일관성을 보장합니다. 이 방법은 조건부 점수 기반 디퓨전 모델(conditional score-based diffusion model)과 작용(action)에서 유도된 물리적 가이던스 점수(physical guidance score)를 결합합니다. 첫 번째 단계에서 학습된 점수 모델은 분포 내(in-distribution) 제안을 생성하고, 두 번째 단계에서 작용 기반 변분 사전(action-based variational prior)이 이 제안을 목표 분포 외(out-of-distribution) 조건으로 정제(refine)합니다. 이러한 정식화는 최소 작용 원리를 미분 가능한 추론 시점 보정 메커니즘으로 변환하며, 종종 경험적 손실(loss) 균형 조정을 요구하는 점별(pointwise) 잔차 페널티에 대한 대안을 제공합니다. 자유 낙하, 보존적 및 소산적 스프링-질점 역학, 상호작용하는 점 와류, 매개변수화된 익형 주변의 포텐셜 유동을 포함한 대표적인 상미분 방정식 및 편미분 방정식 시스템에서 LAPG를 평가했습니다. 시간, 매개변수, 형상 외삽 테스트 결과, LAPG는 학습 시점 물리 정보 기반 베이스라인(baseline)과 비교하여 위상 드리프트(phase drift)를 줄이고, 소산 감쇠를 보존하며, 와류 운동을 포착하고, 익형 유동의 양력 응답을 개선했습니다.
물리 정보 기계학습(PIML)은 종종 곡선 오차로 평가되지만, 공학적 활용은 하류 의사결정에 달려 있다: 후보 순위화, 실행 불가능한 설계 회피, 후회(regret) 제한. 본 연구는 재료 조건부 격자(lattice) 설계를 위한 공개 벤치마크인 pinn-gym을 제안한다. 이는 투명한 저차원(reduced-order) 충돌·충격(crush-and-impact) 오라클과 5종의 인쇄 가능한 폴리머 카드, 무차원 힘-응답(force-response) 타깃, 그리고 곡선 충실도(curve fidelity), 물리적 허용 가능성(physical admissibility), top-k 검색, 질량 후회(mass regret)를 포괄하는 프로토콜을 결합한다. 재료별(per-material), 풀링(pooled), 교차 재료(cross-material) 설정 전반에 걸쳐, 낮은 nRMSE만으로는 유용한 설계 선택을 식별하기에 자주 불충분하다. 물리 정보 손실(physics-informed losses)은 모든 지표를 단조적으로 개선하기보다 트레이드오프를 바꾸며, 무차원 조건화(dimensionless conditioning)는 전이(transfer)를 대칭적으로 만들지는 않으면서도 비교 가능성을 향상시킨다. 이 벤치마크는 인증된 재료 모델이 아니다; 공개된 오라클, 후보 생성기, 재료 카드 범위 내에서 pinn-gym은 곡선 예측기만이 아니라 의사결정 시스템으로서 PIML 서로게이트를 평가하기 위한 재현 가능한 테스트베드(testbed)를 제공한다.
사차원 변분 자료동화(4DVAR)는 수치 일기 예측의 핵심이지만, 목적 함수의 비볼록성으로 인해 계산 비용이 크고 초기화에 민감하다. 우리는 시공간 상태를 신경망으로 매개변수화된 연속 함수로 표현하는 신경 필드 기반 4DVAR 재공식화를 제안한다. 매개변수 공간에서의 최적화가 신경 필드의 스펙트럴 바이어스를 활용하여, 명시적인 배경 오차 공분산 정보 없이도 상태 추정을 안정화하고 허위 고주파 진동을 억제하는 암시적 정규화기 역할을 한다는 것을 보여준다. 또한 전체 시공간 궤적을 매개변수화함으로써, 본 프레임워크는 시간 병렬 최적화를 가능하게 하고 물리 정보 손실(physics-informed losses)을 통해 물리적 제약을 직접 통합한다. 2D Kolmogorov flow와 3D Taylor-Green vortex를 포함한 카오스 벤치마크 평가에서, 신경 재매개변수화가 고전적 4DVAR보다 더 정확한 초기 조건을 생성함을 보여준다. 분리형 신경 아키텍처(SPINNs)와 결합하면 상당한 속도 향상을 달성한다. 많은 머신러닝 접근법과 달리, 본 프레임워크는 정답(ground-truth) 학습 데이터가 필요 없어 운영 자료동화를 위한 견고하고 확장 가능한 대안을 제공한다.