월드 모델은 환경 역학을 포착하고 미래 궤적을 예측하는 것을 목표로 하며, 체화 지능(embodied intelligence)에 대한 잠재력이 커지고 있다. 물리 정보 기반 4D 생성은 물리 시뮬레이션을 통합하여 3D 객체 상호작용을 예측하며, 월드 모델을 향한 유망한 경로를 제공한다. 그러나 이 패러다임은 세계 역학을 내재화하기보다는 수동으로 부과된 역학적 가정에 의존하므로, 진정한 월드 모델까지는 여전히 격차가 남아 있다. 이 격차를 메우기 위해, 우리는 시각 관측으로부터 통합된 내재 역학 표현을 학습하는 새로운 세계 역학 모델링 프레임워크 NeuIDO를 제안하며, 물리 정보 기반 4D 생성을 월드 모델 방향으로 발전시킨다. 구체적으로, 우리는 월드 모델링을 신경 연산자(neural operator) 학습 문제로 정식화하고, 시각 관측 분포에서 내재 역학 분포로의 일반화 가능한 매핑을 학습하기 위한 2단계 학습 전략을 도입한다. 이 관측-역학 매핑을 바탕으로 NeuIDO는 동영상으로부터 직접 제로샷(zero-shot) 역학 추론을 가능하게 하며, 퓨샷(few-shot) 적응을 통해 복잡한 실세계 역학과 추가로 정렬(alignment)할 수 있다. 광범위한 실험을 통해 NeuIDO가 다양한 시각 관측 아래의 내재 역학을 공유 표현으로 효과적으로 통합하고, 새로운 장면에서 역학을 빠르게 추론함을 보여준다.
행성 낙하산 및 진입체(entry vehicle) 시스템의 동역학을 정확히 모델링하는 것은 차량 분리(vehicle separation) 및 센서 활성화(sensor activation)와 같은 진입·하강·착륙(Entry, Descent, and Landing, EDL) 사건에 매우 중요하다. 이러한 동역학은 낙하산 운동이 고도로 비선형이고, 지배 방정식이 완전히 알려져 있지 않으며, 관련 시험 데이터가 희소하고 확보 비용이 크기 때문에 전통적인 계통 동정(system-identification) 방법으로는 포착하기 어렵다. 본 연구에서는 데이터로부터 낙하산 동역학을 직접 학습하는 물리 인식(physics-aware) 생성 모델링 접근법을 활용하여 이러한 난제를 우회한다. 제안 방법인 Symplectic Parachute Generative Adversarial Network(SPar-GAN)은 캐노피(canopy) 설계와 자유류(freestream) 속도를 조건으로 하고, symplectic integration을 통해 에너지 보존을 강제함으로써 Hamiltonian 생성 아키텍처를 낙하산 설정에 맞게 적용한다. SPar-GAN을 National Full-Scale Aerodynamics Complex(NFAC)에서 수행된 소규모(subscale) 낙하산 시험에 적용하고, 캐노피 축대칭(canopy axisymmetry)과 일치하는 간결한 2자유도(two-degree-of-freedom) 위상 공간(phase-space)을 복원하면서 서로 다른 낙하산 구성의 피치-요(pitch-yaw) 동역학을 정성적으로 정확하게 재현함을 보인다. 이 결과는 물리 제약 생성 모델이 다양한 운용 조건에서 낙하산 동역학을 특성화할 수 있음을 시사하며, 성능 평가에 필요한 물리적 시험의 규모를 줄이는 데 도움이 될 수 있음을 나타낸다.