PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15931v1cs.LG

메시 프리 합성곱: 학습된 스펙트럼 감쇠 및 수송

Mesh-Free Convolution: Learned Spectral Attenuation and Transport

편미분방정식(PDE)의 해 연산자(solution operator)를 학습하려면 그리드와 스케일에 걸쳐 공간 구조를 표현할 수 있는 모델이 필요합니다. 이는 학습된 연산자가 자기회귀(autoregressive) 방식으로 자주 사용되는 시변 문제에서 특히 중요해집니다. 즉, 예측된 각 상태가 미래 상태를 예측하기 위한 입력으로 다시 피드백됩니다. 이러한 환경에서는 작은 공간적 오류가 학습된 동역학을 통해 반복적으로 전파되어 불안정성과 드리프트를 초래하고 장기적인 해 충실도를 훼손할 수 있습니다. 본 논문에서는 연속 공간에서 정의되고 평가(evaluation) 시점에만 이산화되는 필터인 메시 프리 합성곱(Mesh-Free Convolutions, MFC)을 제안합니다. 이를 통해 동일한 학습 필터를 여러 해상도에 걸쳐 적용할 수 있습니다. 그리드 의존적 스텐실이나 고정된 스펙트럼 컷오프를 강제하는 대신, MFC는 매끄러운 스케일 의존적 필터링을 학습하며 수송(transport)과 유사한 동작을 위한 방향성 항을 포함합니다. 유체역학 및 일기 예보 벤치마크 전반에서 MFC 기반 모델은 안정적인 장기 롤아웃(rollout)을 생성하고, 해상도 간에 안정적으로 전이되며, 장기 통계치를 더 잘 보존합니다. 이러한 결과는 연속적이고 메시가 없는 필터링이 특히 자기회귀 예측에서 PDE 연산자 학습을 위한 유용한 귀납적 바이어스(inductive bias)임을 시사합니다.