PyTorchKR Papers

최신 논문

총 17편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26718v2cs.AI

A latent ODE approach to full-cycle biventricular cardiac motion modeling from cine MRI

심장 cine CMR의 양심실 전 주기 움직임을 심박수 인식 신경 ODE와 그래프 기반 메시 오토인코더로 연속 잠재 궤적으로 모델링하고, 공변량 조건부 사전분포 대비 편차를 Cox 모델로 발생 심부전 위험 점수화한다. UK Biobank 72,386명 분석에서 잠재 점수를 pooled cohort equations에 추가하면 stratified C-index가 0.704에서 0.785로 향상되어 기존 7개 심장 마커(0.764)보다 우수했다.

arXiv:2604.26070v3cs.LG

연속 시간에서 식별 가능한 인과적 예측을 위한 관측 가능 신경망 상미분방정식

Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

연속 시간 순차적 의사결정 문제에서의 인과 추론(causal inference)은 잠재된 교란(hidden confounding)과 부분적으로만 관측되는 상태로 인해 어려움을 겪습니다. 본 연구에서는 명시적인 구조적 가정 하에 잠재 상태의 관측 가능성(observability)이 확보되면 잠재적 교란이 존재하더라도 연속 시간 조건부 전방문 조정(conditional front-door adjustment)을 통해 동적 처치 효과(dynamic treatment effects)를 식별할 수 있음을 보입니다. 또한 일반화된 조정 공식을 유도하고, 관측되지 않은 동시적 교란 요인들이 시간적으로 상관되지 않을 때 이 공식이 다루기 쉬운 상태 공간 공식으로 단순화됨을 입증합니다. 이 공식은 대안적인 처치 경로 하에서의 잠재적 결과 분포를 측정 모델, 잠재 동역학, 그리고 잠재 상태에 대한 필터링 분포를 통해 표현합니다. 본 논문에서는 인과적 예측을 위해 이러한 다루기 쉬운 조정을 구현하는 관측 가능한 표준형 기반의 신경망 상미분방정식(Neural ODE) 모델인 Observable Neural ODEs(ObsNODEs)를 제안합니다. ObsNODEs는 관측값으로부터 재구성 가능한 상태를 통해 연속 시간 동역학을 학습하여 다양한 대안적 처치 경로 하에서의 결과 예측을 가능하게 합니다. 합성 데이터, 준합성 데이터 및 실제 임상 데이터를 이용한 실험 결과, 외부 검증(external validation)을 포함하여 최근의 시퀀스 모델들 대비 뛰어난 성능을 입증합니다.

arXiv:2605.16682v2cs.LG

식별 후 실현: 부분 관측으로부터 잠재 포트-해밀토니안 역학의 대조 학습

Identify then Realize: Contrastive Learning of Latent Port-Hamiltonian Dynamics from Partial Observations

관측 공간에서의 직접적인 모델링이 불가능할 때, 특히 부분적이고 고차원적인 관측 하에서는 잠재 상태 표현과 역학(dynamics)을 식별하는 것이 필수적입니다. 이러한 환경에서는 표현 학습(representation learning)과 물리 인식(physics-aware) 모델링이 본질적으로 결합되어 있습니다. 본 논문에서는 보존계 및 소산계(dissipative systems)의 잠재 포트-해밀토니안(port-Hamiltonian) 모델을 학습하기 위한 2단계 '식별 후 실현(identify-then-realize)' 프레임워크인 CIPHER를 제안합니다. 첫째, 대조 학습 교사(contrastive teacher) 모델이 인코더와 신경 상미분 방정식(Neural ODE)을 공동으로 학습하여 관측 이력으로부터 예측 상태 표현을 획득합니다. 둘째, 학생 모델은 인코딩된 관측 미래를 일치시킴으로써 가역적 비선형 좌표 변환과 포트-해밀토니안 역학을 학습합니다. 저자들은 미분동형사상(diffeomorphism) 하에서 물리적 상태를 복원하고 그 역학을 포트-해밀토니안 형태로 실현하기 위한 충분조건을 규명합니다. 노이즈가 없는 데이터셋과 노이즈가 있는 데이터셋 10종에 걸쳐, CIPHER는 복잡한 시스템에 대한 장기 예측(long-horizon forecast)을 개선함으로써 최신 베이스라인에 필적하거나 이를 능가하는 성능을 보였습니다. 추가 연구를 통해 과도하게 지정된 잠재 차원에 대한 견고성과 pH 매개변수화로부터 얻는 추가적인 예측 성능 이득을 확인했습니다.

arXiv:2607.20670v1cs.CV

ODeform: Learning Continuous 4D Motion for Shape Deformation with Neural ODEs

Modeling continuous object deformation is important for many computer vision and robotics tasks, such as manipulation and simulation. Existing approaches rely on learning-based methods or physics simulators to model shape deformations. However, these approaches either use discrete time steps or are too computationally intensive for real-time applications. We present ODeform, a novel extension of Neural Ordinary Differential Equations to continuous 4D dynamics of deformable objects in 3D space. Our method transforms 3D point clouds and physical conditions (like material properties) into a unified latent space. By solving the resulting ordinary differential equations over time, we model deformations as continuous flows within this learned embedding, eliminating the need for discrete time steps while maintaining computational efficiency. We evaluate our approach on unseen physical parameter configurations, showing improved motion prediction accuracy over baseline methods. Our experiments further demonstrate a successful transfer to real 3D captured objects with novel shapes, along with effective interpolation and extrapolation of the learned dynamics. Our code and data will be made publicly available.

arXiv:2607.15180v1cs.LG

RTS 스무더 기반 물리 기반 신경 미분 모델 학습

RTS Smoother-Guided Learning of Physics-Based Neural Differential Models

상미분방정식(ODE)은 물리, 생물학, 신경과학, 생리학에서 동역학 시스템을 모델링하는 데 널리 사용되지만, 많은 응용에서는 동역학의 일부 방정식이 알려져 있지 않고 상태 변수(state variable)의 일부만 측정된다. 본 연구에서는 ODE의 알려진 구성 요소는 명시적으로 유지하고 누락된 구성 요소는 신경망으로 표현하는 하이브리드 신경-물리 프레임워크를 제안한다. 제안 방법은 상태 추정과 매개변수 추정을 번갈아 수행하는 두 단계로 구성되며, 사전에 정해진 기준을 만족할 때까지 반복한다. 구체적으로 첫 번째 단계에서는 모델 매개변수를 알려진 것으로 간주하고, 사용 가능한 측정값으로부터 Rauch-Tung-Striebel(RTS) 스무더를 이용해 잠재 상태(latent state)를 추론한다. 두 번째 단계에서는 스무딩된 궤적을 알려진 것으로 간주하고, 이를 이용해 역전파를 통해 신경망의 매개변수를 추정한다. 본 방법은 부분 상태 관측(partial state observation) 하에서 선형, 비선형, 강성(stiff) 동역학을 아우르는 벤치마크 시스템에서 평가한다. 이러한 설정 전반에서 제안 방법은 해석 가능한 기계론적(mechanistic) 구조를 활용하고 유지하면서 불완전한 측정으로부터 누락된 ODE 구성 요소를 학습하고, 잠재 상태 재구성과 장기 예측(long-horizon prediction)을 개선한다.

arXiv:2511.06609v4cs.LG

노이즈 시계열로부터 카오스 동역학을 학습하는 Weak Penalty Neural ODE

A Weak Penalty Neural ODE for Learning Chaotic Dynamics from Noisy Time Series

관측 데이터로부터 복잡하고 고차원인 동역학 시스템을 정확하게 예측하는 것은 다양한 과학 및 공학 분야에서 근본적인 과제이다. 중요한 어려움은 노이즈로 오염된 측정값에서 비롯되며, 이는 데이터 기반 모델의 성능을 심각하게 저하시킨다. 초기 오차가 지수적으로 증폭되는 카오스 동역학 시스템에서는, 장기 불변 특성을 보존하면서 단기 정확도를 달성하는 모델을 노이즈가 있는 데이터로부터 개발하기가 특히 어렵다. 이를 극복하기 위해, 우리는 동역학 시스템 모델의 학습을 위해 고전적인 $L2$ 손실 함수에 대한 보완적 접근으로 약형(weak formulation)을 고려한다. 우리는 적절한 시험 함수와 적분 영역의 선택과 함께 약형이 노이즈 데이터를 효과적으로 필터링함을 실증적으로 검증한다. 이 통찰은 약형 손실 함수가 필터링된 데이터에 모델을 맞추는 것과 유사한 이유를 설명하며, 약형을 매개변수화하는 실용적인 방법을 제공한다. 이후 우리는 이 접근법이 카오스 시스템 모델링에서 표준 Neural ODE(NODE)의 불안정성과 부정확성을 어떻게 극복하는지 보여준다. 수치 예제를 통해, 우리가 제안한 학습 전략인 Weak Penalty NODE가 계산적으로 효율적이고 솔버에 무관하며, 벤치마크 카오스 시스템과 실제 기후 데이터셋 전반에 걸쳐 정확하고 견고한 예측을 제공함을 보여준다.

arXiv:2603.12676v5cs.LG

매개변수화 PDE 풀이를 위한 분리 잠재 역학 매니폴드 융합

Disentangled Latent Dynamics Manifold Fusion for Solving Parameterized PDEs

서로 다른 PDE 매개변수에 걸쳐 신경 대리 모델을 일반화하는 것은 PDE 계수의 변화가 종종 학습을 더 어렵게 하고 최적화를 덜 안정적으로 만들기 때문에 여전히 어렵다. 모델이 학습 시간 범위를 넘어서도 예측해야 할 때 문제는 더욱 심각해진다. 기존 방법은 보통 매개변수 일반화와 시간 외삽을 동시에 처리할 수 없다. 표준 매개변수화 모델은 시간을 단순히 또 다른 입력으로 취급하므로 고유 역학을 포착하지 못하고, 최근의 연속 시간 잠재 방법은 종종 각 인스턴스마다 비용이 큰 테스트 시점 auto-decoding에 의존하여 비효율적이며 매개변수화된 해 공간 전반에 걸친 연속성을 깨뜨릴 수 있다. 이를 해결하기 위해, 공간, 시간, 매개변수를 명시적으로 분리하는 물리 정보 기반 프레임워크인 Disentangled Latent Dynamics Manifold Fusion(DLDMF)을 제안한다. 불안정한 auto-decoding 대신, DLDMF는 순전파 신경망을 통해 PDE 매개변수를 연속 잠재 임베딩으로 직접 매핑한다. 이 임베딩은 매개변수 조건 Neural ODE에 의해 진화가 지배되는 잠재 상태를 초기화하고 조건화한다. 또한 공간 좌표, 매개변수 임베딩, 시간에 따라 진화하는 잠재 상태를 결합하여 해당 시공간 해를 재구성하는 공유 디코더를 사용하는 동적 매니폴드 융합 메커니즘을 도입한다. 예측을 정적 좌표 적합이 아닌 잠재 동역학 진화로 모델링함으로써, DLDMF는 매개변수 변화와 시간적 진화 사이의 간섭을 줄이면서 매끄럽고 일관된 해 매니폴드를 유지한다. 그 결과, 보지 못한 매개변수 설정과 장기 시간 외삽에서도 잘 수행한다. 여러 벤치마크 문제에 대한 실험은 DLDMF가 정확도, 매개변수 일반화, 외삽 견고성에서 최신 베이스라인을 일관되게 능가함을 보여준다.

arXiv:2607.09684v1cs.LG

야생의 SciML: 구조적 사전지식이 도움이 될 때와 해가 될 때에 대한 진단 연구

SciML in the Wild: A Diagnostic Study of When Structural Priors Help and When They Hurt

신경 상미분방정식(Neural Ordinary Differential Equations, NODEs), 물리 정보 신경망(Physics-Informed Neural Networks, PINNs), 보편 미분방정식(Universal Differential Equations, UDEs)과 같은 과학적 기계학습(Scientific Machine Learning, SciML) 방법론은 구조적 사전지식이 신뢰할 수 있는 지배 방정식을 반영할 때 가장 효과적이다. 본 연구는 이 가정이 위반될 경우 어떤 일이 발생하는지를 탐구한다. 거시경제 예측을 스트레스 테스트 도메인으로 활용하여, 희소한 연간 데이터, 다중 시간적 분할, 5개의 랜덤 시드를 사용해 23개국을 대상으로 ARIMA, LSTM, NODE, PINN, UDE 등 5가지 모델 패밀리를 평가하였다. 실험 결과, 평가된 모델 중 어느 것도 일관되게 강력한 예측 성능을 달성하지 못하였으며, 이는 저빈도 거시경제 예측의 어려움을 부각시킨다. 그러나 명확한 상대적 위계가 나타났는데, 덜 제약된 모델, 특히 ARIMA와 NODE가 PINN 및 UDE와 같이 휴리스틱 사전지식으로 더 강하게 제약된 모델을 일관되게 능가하였다. 우리는 이를 SciML의 기각으로 해석하지 않고, 구조적 사전지식이 데이터 생성 과정과 일치하지 않을 때 잘못된 정규화기(misregularizer)로 작용할 수 있다는 진단적 결과로 해석한다. 사전지식 불일치(prior misalignment), 체제 전환(regime shifts), 구조적 단절(structural breaks), 최적화 불안정성을 포함한 실패 양상을 식별하고, SciML 실무자들이 더 많은 구조가 유익하다고 가정하기에 앞서 구조가 실제로 도움이 되는지를 검증해야 한다고 주장한다.

arXiv:2606.16567v2cs.AI

TNODEV: 신경 ODE 검증을 위한 툴박스

TNODEV: Toolbox for Neural ODE Verification

안전 필수 환경에서의 Neural ODE 형식 검증 문제를 해결하기 위해, 반례 탐색, 연속 시간 혼합 단조성 기반 도달 가능성 분석, 입력 집합 반복 정제 루프, 병렬 스케줄러를 통합한 최초의 엔드투엔드 Neural ODE 검증기 TNODEV를 제안한다. TNODEV는 순수 Neural ODE, 폐루프 제어 시스템, 일반 Neural ODE(GNODE) 분류기를 지원하며, NNV 2.0 및 CORA와의 벤치마크 비교에서 반복 정제를 통한 검증 정밀도 향상을 입증한다.

arXiv:2607.04450v1cs.LG

ASTEC를 활용한 원자로 중대사고 대리 모델링을 위한 심층 학습 기반 접근법

A Deep Learning-based surrogate model for Severe Accidents in nuclear reactors using ASTEC

오토인코더(AutoEncoder)로 300배 이상의 차원 축소를 수행하고 신경 상미분방정식(Neural ODE)으로 시간 진행을 모델링하는 딥러닝 기반 대리 모델(surrogate model)을 구축하여, 전원 완전 상실(SBO) 및 냉각재 상실 사고(LOCA) 시나리오에서 ASTEC 시뮬레이터의 약 80개 물리 변수를 1분 이내로 예측한다. 수 일이 소요되는 ASTEC 중대사고(severe accident) 시뮬레이션을 실시간 원전 운전원 훈련에 활용할 수 있도록 최대 40시간 분량의 시뮬레이션을 대폭 가속한 첫 연구다.

arXiv:2602.06323v2cs.LG

How (Not) to Hybridize Neural and Mechanistic Models for Epidemiological Forecasting

Epidemiological forecasting from surveillance data is a hard problem and hybridizing mechanistic compartmental models with neural models is a natural direction. The mechanistic structure helps keep trajectories epidemiologically plausible, while neural components can capture non-stationary, data-adaptive effects. In practice, however, many seemingly straightforward couplings fail under partial observability and continually shifting transmission dynamics driven by behavior, waning immunity, seasonality, and interventions. We catalog these failure modes and show that robust performance requires making non-stationarity explicit: we extract and extrapolate multi-scale structure from the observed infection series and use it as an interpretable control signal for a controlled neural ODE coupled to an epidemiological model. Concretely, we decompose infections into trend, seasonal, and residual components and use these signals to drive continuous-time latent dynamics while jointly forecasting and inferring time-varying transmission, recovery, and immunity-loss rates. Across early outbreak and multi-wave regimes, our approach attains the lowest RMSE on all five datasets (27-70% reduction over the strongest baseline), achieves the best peak detection accuracy, and recovers time-varying epidemiological rates within ground-truth ranges, without relying on auxiliary covariates.

arXiv:2606.30398v1cs.AI

ENC-ODE: 신경 ODE를 이용한 연속 시간에서의 이벤트 수준 신경퇴행 모델링

ENC-ODE: Event-level Neurodegenerative Modeling in Continuous Time with Neural ODEs

알츠하이머병과 같은 신경퇴행성 질환의 조기 진단 및 관리를 위해서는 임상 바이오마커의 시간적 변화를 정확하게 예측하는 것이 중요하다. 그러나 이는 시간에 따른 바이오마커 변화를 포착하기 위한 종단 데이터(longitudinal data)에 의존하는데, 높은 비용, 노동 집약적 특성, 환자 부담으로 인해 데이터가 희소하고 불규칙한 경우가 많다. 이러한 문제를 해결하기 위해, 우리는 신경 상미분방정식(Neural Ordinary Differential Equation)을 이용한 연속 시간 기반 이벤트 수준 신경퇴행 모델링인 ENC-ODE를 제안한다. ENC-ODE는 진단 조건부 연속 역학을 통해 임상 이벤트를 모델링함으로써 미래 바이오마커 변화를 예측한다. 타겟 조건부 어텐션 메커니즘은 이력 압축 없이 타겟 시간 및 모달리티에 대한 이벤트 수준 예측을 가중치 부여하고 집계한다. Alzheimer's Disease Neuroimaging Initiative (ADNI) 데이터셋에 대한 광범위한 실험을 통해, ENC-ODE가 대표적인 시퀀스 모델들을 능가하며 임상 지원을 위한 확장 가능하고 신경과학적으로 근거 있는 솔루션을 제공함을 입증하였다. 코드는 https://github.com/JardinDelSol/enc-ode 에서 확인할 수 있다.

arXiv:2510.09685v2cs.LG

미분방정식에서 영감을 받은 심층 신경망

Deep Neural Networks Inspired by Differential Equations

심층 학습은 컴퓨터 비전(CV), 과학 계산, 동역학 시스템 등의 분야에서 핵심 기술이 되어 이들 분야를 크게 발전시켰다. 그러나 신경망은 이론적 이해, 해석 가능성, 일반화와 관련된 문제에 지속적으로 직면하고 있다. 이러한 문제를 해결하기 위해 연구자들은 신경망에 대한 통합 이론적 프레임워크와 체계적인 설계 방법론을 제안하기 위해 미분방정식 관점을 점점 더 많이 채택하고 있다. 본 논문에서는 미분방정식에서 영감을 받은 심층 신경망 아키텍처와 동적 모델링 방법에 대한 광범위한 리뷰를 제공한다. 우리는 특히 상미분방정식(ODE)에 기반한 심층 신경망 모델과 결정론적 동역학 네트워크 구조, 그리고 확률 미분방정식(SDE)에 기반한 정규화 기법과 확률적 동역학 네트워크 모델을 검토한다. 이러한 모델들의 특성과 성능을 설명하기 위해 수치적 비교를 제시한다. 마지막으로, 미분방정식과 심층 학습의 통합에서 유망한 연구 방향을 탐구하여, 향상된 해석 가능성과 일반화 능력을 갖춘 지능형 계산 방법 개발에 새로운 통찰을 제공한다.

arXiv:2606.26662v1cs.LG

희소 랜덤 그래프에서 Neural ODE의 제로샷 크기 전이: Graphon 극한과 Adjoint 수렴

Zero-Shot Size Transfer for Neural ODEs on Sparse Random Graphs: Graphon Limits and Adjoint Convergence

graphon에서 샘플링된 희소 랜덤 그래프에서 Graph Neural Differential Equations(GNDE)의 제로샷 크기 전이를 정량화하고, Graphon Neural Differential Equations(Graphon-NDE) 극한으로의 궤적·adjoint 수렴률과 discretize-then-optimize(DTO)·optimize-then-discretize(OTD) 학습의 점근적 일치를 증명한다. HSBM·tent graphon 실험과 네 가지 graphon 클래스에 걸친 제로샷 전이 실험에서 이론적 속도와 작은 그래프에서 학습한 GNDE의 대규모 그래프 배포 정확도가 뒷받침된다.

arXiv:2606.22075v1cs.LG

비선형 동역학 시스템 모델링을 위한 주파수 영역 Neural ODE

Frequency-Domain Neural ODEs for Modeling Non-Linear Dynamical Systems

Neural Ordinary Differential Equations (NODE)와 같은 표준 연속 깊이 모델은 이산 시간 단계 대신 연속 벡터 필드를 학습함으로써 물리 시스템 모델링에 상당한 이점을 제공한다. 그러나 복잡한 동역학 시스템에 적용할 때 표준 NODE는 고도로 비선형인 동역학을 다루는 데 자주 어려움을 겪는다. 본 논문은 Fast Fourier Transform (FFT)을 사용하여 연속 시간 동역학을 주파수 영역으로 투영하는 아키텍처인 Frequency-domain Neural ODE (FNODE)를 조사한다. 주파수 영역에서 동작함으로써, 해당 모델은 동역학 시스템에 대한 더 나은 일반화를 제공한다. 이 아키텍처는 Lotka-Volterra 모델, 강제 Duffing 진동자, Van der Pol 진동자, Lorenz 시스템이라는 네 가지 서로 다른 동역학 시스템에 대해, 구체적으로 Gated Recurrent Unit (GRU)와 Long Short-Term Memory (LSTM) 같은 이산 모델 및 Augmented Neural ODE (ANODE)를 포함한 다른 연속 깊이 변형과 비교하여 실증적으로 평가된다. 일반화와 견고성을 엄밀히 평가하기 위해, 커리큘럼 학습과 앙상블 학습을 사용하여 서로 다른 앙상블 모델들에 걸쳐 신뢰 구간을 추정함으로써 모델의 수렴을 평가한다. 실증 결과는 FNODE 아키텍처가 뛰어난 수렴 안정성을 보이면서 더 나은 일반화를 달성함을 보여준다.

arXiv:2606.20443v1eess.SY

고차원 동적 프로세스 모니터링을 위한 위상 데이터 분석

Topological Data Analysis for High-Dimensional Dynamic Process Monitoring

실시간 프로세스 모니터링은 고차원 시계열 데이터에서 실행 가능한 정보를 추출하는 방법을 필요로 합니다. 본 연구에서는 위상 데이터 분석(TDA)과 머신러닝 도구를 결합한 프로세스 모니터링을 위한 새로운 접근법을 제시합니다. 제안된 접근법에서는 다변량 시계열 데이터를 다양체(manifolds)로 표현하고 해당 데이터의 구조를 요약하기 위해 위상 기술자(topological descriptors)를 사용하며, 시스템의 위상 구조에 대한 동적 진화를 학습하기 위해 신경망 상미분 방정식(neural ordinary differential equation)을 사용합니다. 산업 공정의 실제 데이터를 사용하여, 이 궤적 기반 이벤트 탐지 접근법이 다양한 유형의 이벤트를 탐지하는 데 효과적임을 보여줍니다. 또한 본 접근법을 주성분 분석(PCA) 및 오토인코더와 같은 재구성 기반 접근법과 Koopman 오토인코더를 사용하는 궤적 기반 접근법과 비교합니다.

arXiv:2506.05797v3cs.LG

EqCollide: 등변(Equivariant) 및 충돌 인식 변형 가능 객체 신경 시뮬레이터

EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator

변형 가능한 객체의 충돌을 시뮬레이션하는 것은 고체 역학(solid mechanics)과 다물체 상호작용(multi-body interactions)의 복잡성으로 인해 근본적이면서도 어려운 과제이다. 기존의 데이터 기반 방법들은 물리적 대칭성에 대한 등변성(equivariance) 부재, 충돌 처리의 미흡함, 그리고 제한된 확장성 문제를 흔히 겪는다. 본 논문에서는 변형 가능한 객체와 그 충돌을 위한 최초의 종단간 등변 신경 필드(neural fields) 시뮬레이터인 EqCollide를 소개한다. 우리는 객체의 형상과 속도를 잠재 제어점(control points)으로 매핑하는 등변 인코더를 제안한다. 이어지는 그래프 신경망(GNN) 기반 신경 상미분방정식(Neural Ordinary Differential Equation)은 충돌 인식 메시지 패싱(collision-aware message passing)을 통해 제어점 간 상호작용을 모델링한다. 속도 필드를 재구성하기 위해, 제어점 특징에 조건부로 설정된 신경 필드를 질의함으로써 연속적이고 해상도 독립적인 모션 예측을 가능하게 한다. 2D 및 3D 시나리오에 대한 실험 결과, EqCollide는 다양한 객체 구성에서 정확하고 안정적이며 확장 가능한 시뮬레이션을 달성함을 보인다. 최고 성능 기준선(baseline) 모델과 비교하더라도 롤아웃 MSE를 24.34%에서 57.62%까지 낮추는 성과를 거두었다. 또한 EqCollide는 더 많은 충돌 객체와 확장된 시간적 지평선으로 일반화할 수 있으며, 군 작용(group action)으로 변환된 입력에 대해서도 강건성을 유지한다. 코드는 https://github.com/AI4Science-WestlakeU/EqCollide 에서 확인할 수 있다.