arXiv:2606.19912v1 math.NA

푸아송-넌스트-플랑크 및 푸아송-넌스트-플랑크-나비에-스토크스 시스템을 위한 구조 지향 랜덤 신경망

Structure-Oriented Randomized Neural Networks for Poisson-Nernst-Planck and Poisson-Nernst-Planck-Navier-Stokes Systems

Yunlong Li, Fei Wang

제출 2026-06-18

한국어 초록

우리는 푸아송-넌스트-플랑크(PNP) 시스템과 푸아송-넌스트-플랑크-나비에-스토크스(PNP-NS) 시스템을 위해 SO-RaNN이라 불리는 구조 지향 랜덤 신경망 프레임워크를 개발합니다. 비결합 선형화 부분 문제들은 시공간 프레임워크 내에서 랜덤 신경망에 의해 반복적으로 해결됩니다. 농도 변수의 경우, 값 수준에서 양성을 강제하기 위해 점별 컷오프가 사용되며, 선택된 보정 시점에서 이산 질량 스케일링 인자가 계산되고 시간에 따라 보간되어, 해당 시점에서 정확한 질량 일치를 보장하고 그 사이의 근사적인 질량 보존을 촉진합니다. 보조 이산 소산 메커니즘을 도입하기 위해, 우리는 SAV 유형 후처리 보정을 추가로 사용하며, 이는 이상적인 SAV 업데이트 하에서 SAV 보조 변수의 단조성을 산출합니다. PNP-NS 시스템의 경우, 속도장에 대해 구조 보존 랜덤 신경망(SP-RaNN)이 사용되어, 속도 근사가 구조적으로 점별 비압축성 제약 조건을 만족하도록 합니다. 이론적 측면에서, 우리는 선형화 부분 문제의 원시(보정되지 않은) RaNN 솔버에 대한 잔차 기반 추정을 도출하고, PNP 시스템의 원시 외부 피카르 반복에 대한 조건부 시간 국소 수렴 결과를 공식화하며, 질량 보정 및 SAV 후처리 단계와 함께 값 수준 양성 보정을 분석합니다. PNP-NS 시스템의 경우, 우리는 SP-RaNN 공간에 대한 근사 결과를 확립하고 해당 선형화된 오센 유형 문제에 대한 조건부 오차 명제를 제공합니다. 수치 실험은 소스 기반 제조 테스트에서 근사 정확도를 입증하고, 의도한 값 수준 양성 보정, 선택된 시간 질량 일치, 최종 게이지 고정 전위에 기반한 계산된 자유 에너지 곡선, 그리고 벤치마크 테스트에서의 발산 없는 근사를 보여줍니다.

원문 초록

We develop a structure-oriented randomized neural network framework, termed SO-RaNN, for the Poisson-Nernst-Planck (PNP) system and the Poisson-Nernst-Planck-Navier-Stokes (PNP-NS) system. The decoupled linearized subproblems are solved iteratively by randomized neural networks in a space-time framework. For the concentration variables, a pointwise cut-off is used to enforce positivity at the value level, and discrete mass-scaling factors are computed at selected correction instants and interpolated in time, so as to ensure exact mass matching at those instants and to promote approximate mass preservation between them. To introduce an auxiliary discrete dissipation mechanism, we further employ an SAV-type post-processing correction, which yields monotonicity of the SAV auxiliary variable under the ideal SAV update. For the PNP-NS system, a structure-preserving randomized neural network (SP-RaNN) is used for the velocity field, so that the velocity approximation satisfies the incompressibility constraint pointwise by construction. On the theoretical side, we derive residual-based estimates for the raw, uncorrected RaNN solvers of the linearized subproblems, formulate a conditional local-in-time convergence result for the raw outer Picard iteration of the PNP system, and analyze the value-level positivity correction together with the mass-correction and SAV post-processing steps. For the PNP-NS system, we establish an approximation result for the SP-RaNN space and provide a conditional error statement for the corresponding linearized Oseen-type problem. Numerical experiments demonstrate approximation accuracy in the source-driven manufactured tests and illustrate the intended value-level positivity correction, selected-time mass matching, computed free-energy curves based on the final gauge-fixed potential, and divergence-free approximation in benchmark tests.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19912v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.10474v1cs.LG공통 태그 pde solver

검증 가능한 물리학을 활용한 강화학습: 연속 보상을 통한 대규모 언어 모델 사후 학습

Reinforcement Learning with Verifiable Physics: Post-training LLMs with Continuous Rewards

편미분 방정식(PDE)은 과학 및 공학 모델링의 근간이지만, 신뢰할 수 있는 수치 솔버를 구축하는 것은 여전히 노동 집약적이며 이산화 기법, 안정성 조건, 경계 처리에 대한 전문 지식을 요구한다. 최근 연구에서는 PDE 풀이를 대규모 언어 모델(LLM)의 코드 생성 과제로 구성하기 시작했지만, 기존 접근 방식은 주로 추론 시점에서 작동하며 모델 자체를 적응시키기보다는 프롬프팅, 디버깅, 자기 수정, 테스트 시간 스케일링에 의존한다. 동시에, 검증 가능한 보상을 활용한 강화학습이 코드 및 수학 추론을 위한 사후 학습 패러다임으로 부상했지만, 이러한 검증기는 일반적으로 이진적이다: 컴파일러가 실행되거나, 테스트가 통과되거나. 이러한 신호는 과학적 정확성의 등급 구조를 무시하는데, 두 솔버가 모두 실행되더라도 해의 정확도에서 수십 배 이상 차이가 날 수 있다. 본 연구에서는 다중 PDE 솔버 코드 생성을 위한 강화학습 사후 학습 프레임워크인 RLVP(Reinforcement Learning with Verifiable Physics)를 소개한다. RLVP는 하이브리드 검증기로 이 검증 가능성 격차를 해소한다: 엄격한 프로그램 유효성 검사가 실행 가능성을 보장하는 한편, 연속 물리학 보상이 함수 공간 정확도와 PDE 잔차 일관성을 평가한다. 단일 정책이 쌍곡형, 포물형, 타원형, 비압축성 유동 시스템을 아우르는 다양한 PDE 계열에 걸쳐 사후 학습된다. RLVP는 PDE 벤치마크에서 사전학습 및 지도학습 단독 기준 모델 모두를 능가하며, 보류된 PDE에 대한 제로샷 성능 향상 전이를 보여준다. RLVP로 사후 학습된 소규모 LLM이 분포 내 PDE 솔버 생성에서 최첨단 모델을 프롬프팅하는 것보다 우수한 성능을 발휘할 수 있음을 보인다. 학습된 정책은 수치적 모티프에서 조합성의 증거를 나타낸다: 학습에 사용된 PDE로부터 습득한 스텐실, 시간 진행 기법, 경계 처리 기본 요소를 재조합하여 미지의 PDE 문제를 위한 솔버를 생성한다.

arXiv:2512.23192v4cs.LG공통 태그 pde solver

PGOT: 복잡한 편미분방정식을 위한 물리-기하 연산자 트랜스포머

PGOT: A Physics-Geometry Operator Transformer for Complex PDEs

트랜스포머(Transformer)가 편미분방정식(PDE) 모델링에서 놀라운 잠재력을 보여주었음에도 불구하고, 복잡한 기하구조를 가진 대규모 비정형 메시를 모델링하는 것은 여전히 중요한 도전 과제로 남아 있다. 기존의 효율적인 아키텍처들은 흔히 특징(feature) 차원 축소 전략을 채택하며, 이는 의도치 않게 기하학적 앨리어싱(Geometric Aliasing)을 유발하여 중요한 물리적 경계 정보의 손실(loss)을 초래한다. 이를 해결하기 위해, 우리는 명시적인 기하 인식을 통해 물리적 특징 학습을 재구성하도록 설계된 물리-기하 연산자 트랜스포머(PGOT, Physics-Geometry Operator Transformer)를 제안한다. 구체적으로, 우리는 스펙트럼 보존 기하 어텐션(SpecGeo-Attention, Spectrum-Preserving Geometric Attention)을 제안한다. '물리 슬라이싱-기하 주입(physics slicing-geometry injection)' 메커니즘을 활용하는 이 모듈은 다중 스케일 기하 인코딩을 통합하여 선형 계산 복잡도 $O(N)$을 유지하면서 다중 스케일 기하 특징을 명시적으로 보존한다. 나아가, PGOT는 공간 좌표를 기반으로 매끄러운 영역에는 저차 선형 경로로, 충격파 및 불연속 영역에는 고차 비선형 경로로 계산을 동적으로 라우팅함으로써 공간 적응적이고 고정밀도(high-precision) 물리장 모델링을 가능하게 한다. PGOT는 네 가지 표준 벤치마크에서 일관되게 최신 최고 성능을 달성하며, 에어포일 및 자동차 설계를 포함한 대규모 산업 과제에서도 탁월한 성능을 발휘한다.

arXiv:2605.30437v2cs.CV공통 태그 structure-preserving

구조적 정제를 통한 GenAI 이미지 편집의 콘텐츠 변화 및 환각 완화

Mitigating Content Shift and Hallucination in GenAI Image Editing via Structural Refinement

생성형 AI(GenAI) 이미지 편집기(예: Nano Banana)는 리터칭 작업에서 시각적으로 설득력 있는 결과를 생성하여, 비전문가도 텍스트 프롬프트만으로 이미지를 편집할 수 있게 한다. 그러나 이러한 모델의 생성적 특성은 종종 공간적 정렬 오차, 질감 왜곡, 콘텐츠 환각을 유발하며, 이는 모두 픽셀 수준의 충실도가 요구되는 하류 워크플로에 해롭다. 블랙박스 GenAI 이미지 리터칭에 대해 우리는 "구조 보존 GenAI 융합(structure-preserving GenAI fusion)"이라 부르는 문제 설정을 정의한다: GenAI 출력의 지각적 향상을 유지하면서 원본 입력 이미지에 대한 구조적 충실도를 강제한다. 이 문제를 해결하기 위해, 우리는 먼저 거친 공간적 및 광도적 대응을 확립한 다음 원하는 향상을 전달하면서 환각된 콘텐츠를 억제하는 융합 단계를 수행함으로써 입력 이미지와 GenAI 향상 버전을 융합하는 사후처리(post-processing) 프레임워크를 제안한다. 이 설정에서 직접적인 선행 연구가 부재하기 때문에, 우리는 사실적 스타일 전달(photorealistic style transfer) 및 이미지 융합(image fusion) 분야의 대표적인 방법들과 프레임워크를 비교 평가한다. 실험 결과, 제안 방법은 픽셀 수준의 구조적 일관성과 입력 해상도를 유지하면서 미적 품질을 더 잘 보존함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.