PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10972v1cs.LG

신경망 PDE 솔버에서 학습된 상태의 전이 가능성

Transferability of Learned States in Neural PDE Solvers

신경망 PDE 솔버에서 유용한 재사용(reuse)을 평가하는 것은 어렵다. 최종 정확도는 소스(source) 학습과 타겟 시점(target-time) 계산을 모두 반영할 수 있기 때문이다. 우리의 재사용 계약(reuse contract)은 짝을 이룬 상태 비교(paired state comparison), 일치된 타겟 정보 및 예산(budget), 비용 계산(cost accounting)을 통해 해(solution) 정확도, 학습 기여도(learning contribution), 수치적 유용성(numerical utility)을 분리한다. 문헌 검토(literature audit)를 통해 12편의 논문에서 18개의 버전별 프로토콜 기록(version-specific protocol record)을 추출하여, 유지된 상태(retained state), 타겟 시점 자원(target-time resource), 보고된 통제(reported control)를 기록하였다. 고정된 선형 시스템(linear system)과 잔차 허용 오차(residual tolerance)에 대해, 해 오차(solution-error), 에너지 오차(energy-error), 잔차 노름(residual norm)이 동일하지만 서로 다른 켤레 그래디언트(conjugate-gradient, CG) 반복 횟수로 동일한 해에 도달하는 두 개의 초기 추정값(initial guess)을 구성하였다. 240개의 소스 학습 궤적(trajectory), 두 가지 선형 PDE 계열(family), 푸리에 신경 연산자(Fourier neural operator)와 합성곱 신경망(convolutional network)에 걸쳐, 고정된 예측기(predictor)의 이득은 보정 알고리즘(correction algorithm)에 따라 뒤바뀐다. 64개의 분포 내(in-distribution) 과제(63×63 내부 격자)에서 상대 예측 오차가 모두 5% 이하인 쌍들 중에서, 세 노름 모두의 감소는 더 많은 CG 반복을 동반하며, 두 라이브러리에서 과제별 평균 비율은 각각 23.5%와 23.9%였다. 작업량 기반 선택(work-based selection)은 보류된(held-out) 분포 내 과제에서 2.50~3.33회의 CG 반복을 절약하며, 일치된 적응(matched adaptation)은 유한 예산(finite-budget) 사전학습(pretraining)의 가치를 보여준다. 독립적인 배치(batch)들은 물리 기반으로 학습된(physics-trained) 하나의 푸리에 신경 연산자가 0으로 초기화된 포아송(Poisson) 전처리 CG에 대해 0.73%의 완전한 온라인 절감(online saving)을 달성함을 확인하였다. 재사용은 일치된 상태 비교와 다운스트림(downstream) 계산적 증거(computational evidence)를 필요로 한다.