물리 정보 기반 학습(physics-informed learning)은 편미분방정식(PDE)이 지배하는 역문제(inverse problem)에 점점 더 많이 사용되고 있지만, 그 신뢰성을 보증하기는 여전히 어렵다. 본 논문은 물리 정보 기반 역학습(inverse learning)을 위한 무해(no-harm) 인증 및 선택 프레임워크를 제안한다. 학습된 재구성(reconstruction)은 잔차 보정 반경(residual-calibrated radius)이 기준선(baseline) 반경보다 나쁘지 않을 때, 즉 $$R_{\mathrm{learn}}\le R_{\mathrm{base}}+\varepsilon_{\mathrm{safe}};$$일 때만 채택되며, 그렇지 않으면 방법은 기준선을 반환한다. 인증서(certificate)는 데이터, 물리, 경계 또는 초기 조건, 그리고 최적화 잔차를 결합한다. 조건부 안정성 추정 하에서, 이러한 잔차들은 사후적(a posteriori) 재구성 오류 경계와 결정론적(deterministic) 불확실성 반경을 제공한다. 독립적인 무작위 collocation 점들로부터 추정된 물리 잔차에 대해서도 고확률(high-probability) 인증서가 유도된다. Poisson 소스 복원, 역 열 재구성, 제한각 단층촬영(limited-angle tomography), 타원형 계수 식별, 그리고 확률적 잔차 검증(validation)에 대한 수치 실험은 선택기(selector)가 인증된 개선을 수용하고, 편향·환각(hallucinated)·미완성 후보를 거부하며, 강하게 ill-posed인 영역에서는 보수적으로 동작함을 보여준다. 따라서 이 프레임워크는 또 하나의 재구성 아키텍처가 아니라 인증 및 선택 층(layer)이다.
본 논문에서는 데이터로부터 기계 시스템의 보존 동역학(conservative dynamics)과 소산 동역학(dissipative dynamics)을 직접 분리하여 학습하는 연속 시간 시스템 식별 기법인 소산 라그랑주 신경망(Dissipative Lagrangian Neural Network, dLNN)을 제안한다. 핵심 기여는 소산력에 대한 새로운 매개변수화로, (i) 구조적으로 소산성을 띠도록 제약되어 학습된 모델의 수동성(passivity)을 강제하고, (ii) 보존역학을 흡수할 수 없으며, (iii) 상태 의존적 감쇠 및 정규화된 마찰력을 아우르는 광범위한 계열을 표현할 수 있을 만큼 충분한 표현력을 유지한다. 제안된 모델은 혼돈 이중 진자의 궤적 예측과 6자유도 산업용 로봇의 역동역학 모델링이라는 두 가지 실제 기계 시스템에 대한 예측 태스크를 통해 검증되었다. 이러한 태스크 전반에 걸쳐 dLNN은 기존 라그랑주 아키텍처 대비 향상된 예측 성능을 입증하는 동시에 블랙박스 신경망 모델과도 경쟁력 있는 성능을 유지한다. 또한 부여된 물리적 구조는 보지 못한 상태에 대한 일반화 성능을 향상시키며, 이러한 이점은 학습 데이터가 제한적일 때 특히 두드러진다. 마지막으로, 학습된 물리적 구성 요소로부터 닫힌 형식(closed-form)의 수식을 추출하는 기호 증류(symbolic distillation) 절차를 소개한다. 이를 산업용 로봇에 적용한 결과, 신경망 라그랑주 모델 평가와 관련된 연산 오버헤드를 줄이면서도 높은 예측 정확도를 유지하는 해석 가능한 기호 모델을 생성한다.
본 논문에서는 다양한 전력망 토폴로지에 걸쳐 사전학습된 파운데이션 모델과 물리 정보 기반 미세조정(fine-tuning)을 결합하여 대규모 교류 최적 조류 계산(AC-OPF)을 해결하는 프레임워크인 GridSFM을 소개합니다. 이 모델은 500개에서 4,000개 모선(bus) 규모의 54개 토폴로지에서 사전학습된 1,500만 개 매개변수 규모의 물리 영감 그래프 신경망(GNN)입니다. 본 모델은 홀드아웃된 운전 조건의 10,000개 모선 사례에서 제로샷(zero-shot) 발전 비용 오차 2.45%를 달성하며, 시스템 규모가 커져도 성능 저하가 발생하지 않습니다. 이를 바탕으로 사전학습된 백본을 조류 계산용 뉴턴 방법(Newton's method) 기반의 물리 정보 미세조정 설계와 결합합니다. GridSFM은 단 100개의 풀이된 인스턴스만으로도 최대 10,000개 모선 규모의 미확인 전력망에 적응합니다. 또한 웜 스타트(warm start) 지점으로 활용될 때, 더 많은 데이터로 학습된 단일 토폴로지 전용 신경망 모델보다 비용과 솔버 반복 횟수 측면 모두에서 우수한 성능을 보임을 입증합니다. 이러한 파운데이션 모델을 설계하는 과정에서, 연속 신경망이 해 매핑을 근사하는 것을 가로막는 장애 요소인 AC-OPF의 실행 가능 집합이 비연결(disconnected)될 수 있다는 문제를 극복합니다. 이를 위해 문제를 리프팅하고 로그 페널티 슬랙 변수를 적용하여 제약 조건을 완화합니다. 그 결과로 얻어지는 탄성 실행 가능 집합이 가축소(contractible)임을 증명하고, 명시적인 페널티 임계값 이상에서는 AC-OPF 최소화해가 탄성 문제의 최소화해로 유지되며, 근사해를 AC-OPF 실행 가능 집합으로 다시 투영하는 것이 잘 정의됨(well-posed)을 증명합니다. 커뮤니티가 AC-OPF의 공유된 출발점을 기반으로 연구할 수 있도록 모든 모델, 데이터 및 코드를 공개합니다.
비정형 3D 기하 구조에서의 편미분방정식(PDE)을 위한 신경망 대리 모델(Neural surrogate models)은 흔히 미흡한 일반화 성능과 대규모 학습(training) 데이터셋 생성의 높은 비용으로 인해 한계를 겪습니다. 이에 따라, 관련 PDE 역학의 대규모 데이터셋을 활용한 사전학습(pre-training)이 이러한 모델의 강건성과 확장성을 향상하기 위한 중요한 대안으로 떠올랐습니다. 그러나 이 전략은 생성 비용이 매우 높은 대규모 사전 계산 데이터에 의존하므로 연산 효율적이지도 데이터 효율적이지도 않습니다. 본 연구에서는 정상 상태(steady-state)와 과도(transient) 상태 영역 모두에 맞춘 디스크 데이터가 필요 없는(disk-data-free) 사전학습 프레임워크를 소개합니다. 정상 상태 문제의 경우, 복잡한 3D 도메인의 표현을 학습하기 위해 내재적 형상 기술자(intrinsic shape descriptors)를 활용하는 기하학 중심 전략을 제안합니다. 과도 상태 문제에 대해서는 합성 PDE 데이터의 온라인 생성을 기반으로 하는 물리학 중심 접근법을 도입하여, 고비용 데이터셋에 의존하지 않고도 확장 가능한 사전학습을 가능하게 합니다. 다수의 실험 전반에서 본 접근법은 특히 현실적인 저데이터 환경의 미세조정(fine-tuning) 과정에서 더 빠른 수렴(convergence), 더 높은 데이터 효율성, 그리고 향상된 정확도를 달성합니다. 이 방법론은 대규모 시뮬레이션을 위한 데이터 효율적인 신경망 에뮬레이터를 향한 실용적인 경로를 제공합니다.
희소한 측정값으로부터 시공간적 물리 장(spatiotemporal physical field)을 생성하고 예측하는 것은 관측 데이터가 완전한 장에 대한 분포를 특성화하기에 불충분하기 때문에 어려운 과제입니다. 이는 전체 장 데이터셋(full-field dataset)에 의존하는 기존 데이터 기반 확산 모델(diffusion model)의 한계로 작용합니다. 본 논문에서는 지배 방정식과 공간적으로 희소한 관측값을 결합하여 타당한 복수의 장을 생성하는 물리 정의 확산 프레임워크인 PhysDEM을 소개합니다. 첫째, 측정값 조건부 가우스 기준(measurement-conditioned Gaussian reference)을 편미분 방정식(PDE) 잔차 에너지로 재가중하여 깁스 타깃(Gibbs target)을 구성합니다. 둘째, 디노이징을 표준화된 에너지 유도 평균 보정에 대한 지도 학습으로 환원하는 정확한 조건부 평균 항등식을 유도합니다. 셋째, 물리 변위 확률 흐름(physics-displacement probability flow)을 통해 가우스 기준 항을 상쇄하고, 재학습 없이 가우스 조건화를 통해 측정값 변화에 대응하는 상각 샘플링(amortized sampling)을 가능하게 합니다. 합성 PDE 시스템 및 실제 환경 기반 응용에 대한 실험을 통해 PhysDEM이 일관된 장 복원과 효율적인 샘플링을 지원하면서 테스트된 노이즈 수준에서도 안정적인 진단을 유지함을 입증하여, 장 평가에 대한 실용적 가치를 보여줍니다. 우리가 아는 한, PhysDEM은 사전에 구축된 전체 장 데이터셋 없이도 상각된 시공간 장 추론(inference)을 가능하게 하는 최초의 물리 정의 확산 모델(model)입니다.
우주 날씨 조기 경보는 태양풍 과도현상(transients)이 지구에 도달하기 전 제1 태양-지구 라그랑주 점(L1)의 현장(in-situ) 측정치에서 이를 감지하는 데 의존합니다. 고정된 임계값은 복합적인 자기장 및 플라즈마 구조를 놓칠 수 있으며, 많은 학습 방법은 단일 이상 점수만을 제공합니다. 본 논문에서는 물리적 제약 조건 하에서 카탈로그 레이블 없이 OMNI 태양풍 측정 데이터를 학습한 합성곱 오토인코더인 PISCES(Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather)를 제시합니다. 본 모델의 손실(loss)에는 자기장 일관성, 온도와 속도 간의 경험적 관계, 파커 스파이럴(Parker spiral) 각도, 그리고 재구성 결과로부터 계산된 유도 물리량들에서 연속된 1분 단위 샘플 간의 변화에 대한 페널티가 포함됩니다. 추론(inference) 시 PISCES는 이상 점수를 자기장 및 플라즈마 재구성 오차, 물리적 관계, 잔차 보정값으로 분리하여 각 기여도의 크기를 보고합니다. 검증(validation) 데이터를 통해 선택된 스킵 연결(skip connection)의 감쇠는 학습된 모델의 평균 정밀도(precision)를 향상시키는 반면, 학습되지 않은 점수는 거의 동일하게 유지됩니다. 또한 학습된 모델은 이러한 물리적 기여도 간의 보다 일관된 순위를 제공합니다. 후행 중앙값(trailing median)으로 스무딩을 거친 후 경보는 양의 급변 임펄스(positive sudden impulses)를 포함하여 독립적으로 관측된 급성 시작(sudden commencements)보다 앞서 발생할 수 있습니다.
비평형 열역학의 완전한 GENERIC(메트리플렉틱) 구조를 함수 공간에 직접 임베딩하는 최초의 신경 연산자 GENERIC-FNO를 제안하며, 페널티 항 없이 구조적으로 축퇴 조건을 정확히 강제하여 기계 정밀도(잔차 ~10⁻¹³)로 에너지 보존 및 엔트로피 생성을 보장한다. 3가지 연산자 백본과 4가지 PDE 실험에서 4배 초해상도 범위의 제로샷 일반화와 함께 소산 및 혼합 체제 문제에서 비제약 기준선 대비 경쟁력 있는 성능을 달성했다.
텐세그리티 형상 결정과 물리적 특성 예측은 평형 구성과 내부 힘 분포를 결정하는 것을 목표로 하는 구조 역학의 기본적인 역문제이다. 이러한 문제는 기하학과 힘 사이의 결합으로 인한 강한 비선형성, 구조 안정성을 보장해야 할 필요성, 경계 조건 및 대칭성과 같은 제약 조건의 강제 등으로 인해 어렵다. 더욱이 전통적인 방법은 종종 노이즈와 이상치에 대한 강건성이 부족하다.
본 논문은 클러스터형 텐세그리티 형상 결정 및 물리적 특성 예측을 위한 에너지 기반 학습 프레임워크를 제안한다. 제안된 접근법은 총 포텐셜 에너지 최소화와 구성 관계를 학습 목적함수에 통합하여, 부재력 및 힘 밀도를 포함한 평형 노드 구성과 관련 물리량의 동시 예측을 가능하게 한다. 에너지 기반 물리 손실을 학습 과정에 직접 통합함으로써, 해당 프레임워크는 물리적 일관성, 강건성, 데이터 효율성을 향상시킨다. 프리즘 및 lander 시스템을 포함한 텐세그리티 구조에 대한 수치 실험은 제안된 접근법의 큰 잠재력을 보여 주며, 확장 가능한 형상 결정과 구조 특성의 정확한 예측 능력을 입증한다.
본 연구에서는 희소 학습 데이터로 효율적인 기하학적 일반화를 가능하게 하도록 설계된, 폭넓게 적용 가능한 물리 정보 기반 학습 기법인 잠재 PDE 매핑(latent PDE mapping)을 제안한다. 잠재 PDE 매핑은 변형 그래디언트(deformation gradient)를 통해 형상별 PDE 잔차와 경계 조건을 미리 정의된 잠재 기하학으로 당겨(pull back)옴으로써, 기존 물리 정보 기반 기계학습 공식화에서 누락된 기하학적으로 일관된 형상 그래디언트의 자동 계산을 가능하게 한다. 우리는 물리 정보 기반 신경망(physics-informed neural networks)과 물리 정보 기반 딥 오퍼레이터 네트워크(physics-informed deep operator networks)를 모두 사용하여 심장 전기생리학의 이방성 Aliev-Panfilov PDE를 풀 때 잠재 PDE 매핑의 유용성을 입증한다. Aliev-Panfilov PDE는 도전적인 사례로, 전통적인 수치 솔버로 포착하기 비용이 큰 급격한 그래디언트를 갖는 비선형 시간 의존 PDE 벤치마크이다. 제한된 데이터 체제를 나타내기 위해, 우리는 2차원 및 3차원 공간에서 매개변수화된 분포로부터 추출한 단 15개의 기하학적 샘플만을 사용하여 네트워크를 학습한다. 아핀 및 전단 변형으로 매개변수화된 기하학에서는 완만한 개선만 나타나지만, 잠재 PDE 매핑은 특정 기하학군에서 유의미한 이점을 보이며 평균 상대 L2 오차를 약 4~6배 감소시킨다. 또한 결과는 네트워크 학습 중 잠재 PDE 매핑 적용의 계산 비용이 적었고, 추론 시에는 무시할 수 있을 정도였음을 보여준다. 종합하면, 본 연구는 잠재 PDE 매핑이 제한된 수의 학습 형상으로부터 일반화 가능한 물리 정보 기반 기계학습 모델의 구축을 어떻게 촉진하는지 강조한다.
전통적인 예측형 디지털 트윈은 종종 기하학적으로 경직되어, 기반 물리 영역이나 경계 조건이 바뀔 때마다 광범위한 재학습 또는 미세조정을 필요로 한다. 이 한계를 극복하기 위해, 우리는 실시간 시각 인식과 기하학에 무관한 물리 정보 기반 추론 엔진을 원활하게 결합하는 제로샷 디지털 트윈(Zero-Shot Digital Twins)을 위한 새로운 프레임워크를 제시한다. 우리 아키텍처의 핵심은 Thermodynamics-Informed Graph Neural Network 아키텍처로, 메트리플렉틱(metriplectic) 열역학 형식론에 기반한 기하 심층 학습(Geometric Deep Learning) 솔버이며, 그래프 메시지 전달을 통해 국소적으로 에너지 보존과 비음 엔트로피 생성을 강제한다. 이 프레임워크는 보조 그래프 신경망을 통합하여 희소한 초기 시각 경계로부터 직접 관측 불가능한 필드(응력 텐서, 속도 및 에너지 분포 등)를 추론함으로써 수치적 시작 과도 현상을 완화한다. 시뮬-실제(sim-to-real) 격차를 메우기 위해, 우리는 연속적인 폐루프 데이터 동화 메커니즘을 구현한다. 파이프라인은 심층 분할 신경망과 희소 광학 흐름을 결합하여 거시적 변형과 자유 표면 유체 경계를 실시간으로 추적하고, 자기회귀 시뮬레이션 롤아웃을 동적으로 보정하여 수치적 드리프트를 제거한다. 우리 접근법의 타당성을 검증하기 위해, 우리는 두 가지 이질적인 물리 체제에서 접근법의 극단적인 일반화 능력을 입증한다: 점탄성 보의 대변형과 점성 유체의 비선형 슬로싱(sloshing). 두 시나리오 모두에서, 통합 프레임워크는 사례별 재학습 없이 새로운, 보지 못한 기하학에서 물리적으로 정확한 시뮬레이션을 생성하며, 실시간 지연(latency) 예산(프레임당 약 25ms) 내에서 동작하고 증강 현실(AR)을 통해 잠재 기계 변수의 직접 투영을 가능하게 한다.
확산 모델은 복잡한 데이터 분포를 모델링하는 강력한 생성 도구로 부상했지만, 순수하게 데이터 기반인 특성 때문에 물리 법칙을 반드시 준수해야 하는 공학 및 과학 문제에서의 적용 가능성이 제한된다. 본 논문은 확산 모델링과 물리적 제약을 라플라스 분포에서 샘플링된 가상 잔차 관측을 갖는 확률적 잔차 공식화를 통해 통합하는 프레임워크인 Physics-Informed Learning via Diffusion(PILD)를 제안한다. 노이즈가 있는 확산 상태에서 이 공식화를 실용적으로 만들기 위해, Jensen-gap-aware 적응형 잔차 스케일을 도입하며, 이는 잔차 가능도 주변화로 유발되는 바이어스를 줄인다. 또한 조건부 과제를 위해 물리 조건부 정렬(alignment) 메커니즘을 개발하여, 디노이징(denoising) 과정 동안 중간 잠재 표현(latent representation)이 관측 조건과 일관되게 유지되도록 한다. 제안된 프레임워크는 간결하고 모듈식이며, 상미분방정식(ODE), 편미분방정식(PDE), 대수 방정식 또는 부등식 제약으로 규정되는 문제에 광범위하게 적용 가능하다. 공학 및 과학 과제에 걸친 광범위한 실험에서 PILD가 대표적인 물리 정보 기반 및 확산 기반 베이스라인 대비 물리적 충실도(physical fidelity)와 예측 정확도를 향상시킴을 보여준다.
교차 모달리티 이미지 변환(image translation)은 저해상도 이미지로부터 형광 현미경 초해상화에 이르는 경로를 제공하며, 광독성(phototoxicity)과 장비 요구사항을 줄일 수 있다. 그러나 순수 데이터 기반 모델은 시각적으로 그럴듯한 출력을 생성할 수 있지만, 광학적 이미지 형성(optical image formation)과 일치하지 않을 수 있다. 본 연구에서는 학습 목표에 현미경 특이적 점 확산 함수(PSF, point spread function) 정보를 통합한, 공초점(confocal)-STED 이미지 변환을 위한 물리 정보 기반 생성적 적대 신경망(GAN, generative adversarial network)을 제안한다. 시뮬레이션 및 실험적으로 측정된 PSF는 서로 다른 실험일에 취득한 인간 원발성 M2 대식세포(human primary M2 macrophages) 내 TOM20 표지 미토콘드리아의 제한된 쌍을 이룬 공초점-STED 데이터셋을 사용하여 평가되었다. 성능은 참조 기반 및 비참조 기반 이미지 품질 지표와 함께 보완적인 주파수 및 분포 민감 분석을 통해 평가되었다. 비참조 지표는 공간 주파수 성분, 대비, 신호 대 잡음(signal-to-noise) 특성 등 물리학적으로 관련 있는 이미지 속성을 탐색했다. PSF 유도 모델은 구조적 충실도를 향상시키고 국소 편차를 줄였으며, 특히 주파수 영역 분석에서 PSF 비사용 기준선보다 STED 참조와 더 가까운 일치를 달성했다. 이 결과는 광학적 사전 지식(optical priors)이 교차 모달리티 초해상화 영상의 생성적 현미경 모델에서 구조적 충실도와 물리적 타당성을 개선할 수 있음을 보여준다.
항공 과도 전자기(ATEM) 데이터로부터 지전기 구조 정보를 추출하는 작업은 주로 데이터 처리와 역산을 포함한다. 기존 방법은 경험적 매개변수 선택에 의존하므로, 높은 노이즈 수준의 복잡한 현장 데이터를 처리하기 어렵다. 또한 역산 계산은 시간이 많이 소요되며, 종종 다수의 국소 최솟값 문제에 직면한다. 기존 심층 학습 기반 접근법은 데이터 처리 단계를 분리하며, 독립적으로 학습된 디노이징(denoising) 네트워크는 후속 역산의 신뢰성을 보장하기 어렵다. 더욱이, end-to-end 네트워크는 해석 가능성이 부족하다. 이러한 문제를 해결하기 위해, 분리 표현 학습(disentangled representation learning)에 기반한 통합적이고 해석 가능한 심층 학습 역산 패러다임이 제안된다. 네트워크는 노이즈가 있는 데이터를 노이즈 요인과 신호 요인으로 명시적으로 분해하고, 신호 요인을 기반으로 전체 데이터 처리 워크플로를 완료하여 네트워크를 더욱 신뢰할 수 있고 해석 가능하게 만든다. 또한 물리적 제약이 학습 과정에 통합되어 역산 결과의 물리적 일관성과 신뢰성을 향상시킨다. 현장 데이터에 대한 역산 결과는 본 방법이 노이즈가 있는 데이터를 직접 사용하여 지하 전기 구조를 정확하게 재구성할 수 있음을 보여주며, 이를 통해 ATEM 데이터 처리를 위한 통합적이고 해석 가능하며 물리적 제약을 갖춘 역산 패러다임을 확립한다.
Accurately representing atmospheric aerosol populations is essential for simulating aerosol-cloud interactions, radiative forcing, and ice nucleation, yet existing reduced schemes impose structural assumptions that limit their ability to capture composition diversity and mixing state. Machine-learning approaches offer more flexible representations, but standard autoencoders do not preserve the mathematical structure of aerosol populations and therefore cannot support physically meaningful process operators. We introduce AeroMELD (Aerosol Measure Embedding for Latent Dynamics), a mathematically grounded framework for constructing low-dimensional latent variables that retain this structure. We show that any permutation-invariant linear encoder must take a scale-shape decomposition, with total number concentration represented explicitly and latent shape given by a barycentric combination of per-particle embeddings. This aggregated latent state retains the diagnostic expressiveness of a Deep Sets model by moving the nonlinear post-aggregation stage into the learned diagnostic map while preserving latent linearity. Using particle-resolved data as ground truth, we encode weighted particle populations directly rather than binned aerosol states; size-resolved mass and number distributions serve only as diagnostic targets and visual summaries. The latent space accurately reconstructs these distributions, CCN spectra, optical coefficients, and immersion-freezing behavior while preserving the linear population structure needed for hybrid ML-physics models. Although the experiments focus on diagnostic reconstruction, the embedding is designed so that emissions and mixing can be represented exactly and nonlinear microphysical processes learned in a controlled latent space. This work establishes a foundation for learning aerosol-process evolution directly in latent space.
데이터로부터 비정준 해밀턴 동역학(non-canonical Hamiltonian dynamics)을 학습할 때 발생하는 수치적 불안정성 문제, 특히 퇴화 변분 적분기(Degenerate Variational Integrator)의 게이지 의존성(gauge dependency)으로 인한 장시간 시뮬레이션 실패를 규명하고, 이를 해결하기 위해 벡터 필드 직접 학습과 스킴 기반 시간 이산 동역학 학습이라는 두 가지 학습 전략을 제안한다. Lotka-Volterra, 질량 없는 하전 입자, 자이로운동학적 플라즈마 물리학의 가이딩 센터(guiding center) 등 복잡한 물리 동역학에 대한 수치 실험을 통해 두 방법의 성능을 비교·검증하였다.
재밍·스푸핑 환경에서 GNSS 간섭 신호의 도달각(AoA) 추정 정확도를 높이기 위해, 오토인코더 기반 GMM 클러스터링으로 LoS/NLoS 샘플을 분리하고 LoS 샘플에만 평면파 모델 기반 물리 정보 손실을 선택적으로 적용하는 하이브리드 학습 프레임워크를 제안한다. 도메인 증분 학습(DIL)과 결합한 결과, 소수 예시(low-exemplar) 설정에서 기존 DIL 기준선 대비 AoA 추정 오차를 최대 6° 감소시켰다.
3D-PRIMME는 물리적 스케일링 법칙을 보존하면서 3차원 결정립 성장(grain growth) 동역학을 학습하는 신경망 기반 대리 모델로, 연속된 두 시간 스텝만으로 학습된다. $100^3$ 격자에서 학습된 모델이 재학습 없이 $1024^3$ 규모의 55만 결정립 도메인에도 일관된 동역학을 유지하며 적용됨을 보여, 스케일 독립적인 미세구조 진화 예측이 가능함을 입증한다.
선형 감쇠 해밀턴 시스템의 이산 관측으로부터 소산 동역학을 학습하기 위해, 페널티 항이나 투영 없이 구성 단계에서 정확한 이산 등각 심플렉틱성(conformal symplecticity)을 강제하는 이산 시간 맵 학습 프레임워크 CSympNet-ID를 제안한다. 정확한 심플렉틱 신경망 코어와 지수 매개변수화된 대각 스케일링 레이어를 결합한 이 아키텍처는 스칼라 감쇠율을 직접 식별하며, 데이터 부족 환경 및 고차원 벤치마크에서 비구조적 기준선 대비 가장 우수한 장기 예측 성능을 보인다.
유한 체적법(finite volume method)의 보존 특성과 딥러닝의 표현력을 결합한 다중 해상도 신경망 프레임워크 MuRFiV를 제안하며, 전체 도메인에서는 서브도메인 평균의 플럭스 기반 업데이트를, 지역 스케일에서는 공유 네트워크를 통한 세밀한 변동 복원을 수행한다. Burgers 방정식, 천수 방정식(shallow water equations), Navier-Stokes 방정식 등 다양한 편미분방정식(PDE) 시스템에서 장기 자기회귀 예측의 안정성과 정확도 면에서 순수 데이터 기반 기준 모델들을 크게 능가함을 입증하였다.
로봇을 이용해 방사선 원의 위치를 추정하는 것은 효율성과 안전성을 높이는 효과적인 방법이다. 기존 방법은 정밀한 추정을 위해 로봇의 경로를 계획하는 데 초점을 맞추며, 일반적으로 원에 접근하는 방식을 취한다. 그러나 원에 접근할수록 로봇의 방사선 피해 위험이 커진다. 또한 방사선 원 위치 추정(RSL)만을 위해 설계된 경로 계획 알고리즘은 방사성 환경에 로봇을 투입하는 임무의 유연성을 제한한다. 본 연구는 물리학 정보 기반 머신러닝(PIML) 모델을 활용하여 미지 환경에서 측정 경로에 관계없이 방사선 원 위치를 정밀하게 추정하는 로봇 RSL 자동화 프레임워크를 제안한다. PIML을 위해 미지 장애물로부터 감쇠된 감마선 플럭스 신호를 처리할 수 있도록 물리학에서 영감을 받은 모델 텐서가 설계되었으며, RSL의 견고성과 정밀도를 향상시키기 위해 여러 모델이 병렬로 계산된다. 제안 방법은 공간 규모, 방사선 원 유형, 장애물 재료 및 기하, 로봇 궤적 등 다양한 무작위화된 영역에 대해 Monte Carlo 입자 수송을 사용하는 고정밀 시뮬레이션 환경에서 평가된다. 또한 시뮬레이션 기반 평가에 포함되지 않은 구성에 대한 물리 실험을 통해 검증된다. 연속 학습 기법은 실제 로봇 배포에 적용되어 온라인 로봇 RSL 시스템의 실용성을 높인다. 제안 방법은 로봇 방사선 인식을 점 단위 플럭스 감지에서 공간 지능으로 발전시킨다.