PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17070v1physics.ao-ph

KFTD: 연속 해양 시공간 예측을 위한 쿠프만-푸리에 시간 미분 가능 네트워크 (Koopman-Fourier Time-Differentiable Network)

KFTD: Koopman-Fourier Time-Differentiable Network for Continuous Ocean Spatiotemporal Forecasting

정확한 해양 예측은 기후 모니터링과 재해 조기 경보에 중요합니다. 그러나 해양 시공간 예측은 복잡한 동적 시스템 모델링과 계산 효율성 확보라는 이중적인 과제에 직면해 있습니다. 우리는 효율적이고 확장 가능한 시공간 모델링을 위해 보간(interpolation)과 예측(prediction)을 분리하는 시간 연속(time continuous) 2단계 패러다임인 KFTD(Koopman Fourier Time-Differentiable) 네트워크를 제안합니다. 복잡한 비선형 동역학을 쿠프만(Koopman) 선형 공간으로 매핑하고 푸리에 분석(Fourier analysis)을 활용하여 임의의 하위 단계(sub-steps)에서 시간 연속 보간을 가능하게 합니다. 경량 잔차 네트워크(residual network)가 고충실도(high fidelity) 중간 상태를 사용하여 최종 예측을 생성합니다. 디퓨전 모델(diffusion models)과 달리, KFTD는 다단계 노이즈 샘플링(multi step noise sampling)을 제거하고 시간 연속적으로 시스템을 직접 진화시켜 4배의 계산 속도 향상을 달성합니다. 또한, 엔드투엔드(end-to-end) 방식으로 임의의 PDE 제약 조건을 지원하는 DPP 손실(DPP Loss)을 도입하여 순수 데이터 기반 접근 방식의 물리적 일관성 병목 현상을 해결합니다. 4개의 해양 데이터셋에 대한 실험 결과, 우리의 시간 연속 프레임워크가 평균 5.6%의 MSE(Mean Squared Error)를 감소시켰으며(SST의 경우 최대 12.7%), MCVD 대비 효율성을 76.25% 향상시킴을 확인했습니다.