과학 연구와 공학 설계의 핵심인 고정밀 동적 시스템 시뮬레이션(dynamical systems simulation)은 엄청난 계산 비용이 드는 난제였습니다. 최근 공개된 INOS(Implicit Neural Operator Solver)는 이 문제를 해결하기 위해 암시적 해법(implicit solve)을 학습하고 시간 적분기(time integrator)를 내장한 새로운 인공지능(AI) 모델입니다. 이 기술은 기존의 계산 집약적인 시뮬레이션 방식을 혁신할 잠재력을 보여줍니다.
INOS는 정적 평형 해법(static equilibrium solutions)을 통해 신경망 연산자(neural operator)를 사전 학습(pretrain)한 후, 뉴마크-베타(Newmark-β) 통합 방식 내에서 이를 재사용합니다. 각 시간 증분(time increment)마다 통합기는 효과적인 평형 문제를 형성하고, 사전 학습된 신경망 연산자가 다음 단계의 해법 필드(solution field)를 추론하며, 뉴마크 관계를 통해 동적 상태를 진행시킵니다. 선형 및 비선형 탄성 역학(elastodynamics) 분야의 수치 예시에서 INOS는 동적 궤적 감독(dynamic trajectory supervision) 없이도 정확한 전체 필드 예측을 달성했으며, 기존 동적 시뮬레이션 기반 신경망 해법보다 높은 예측 정확도를 보였습니다. 특히 비선형 시뮬레이션에서는 순차적인 고전 유한 요소 해법(finite-element solvers) 대비 4,600배 이상의 속도 향상을 기록했습니다.
이러한 결과는 INOS가 동적 시뮬레이션 분야에 혁명적인 변화를 가져올 수 있음을 시사합니다. 동적 조건 변화에 유연하게 대응하고, 사전 학습된 연산자를 공간 및 시간 이산화(spatial and temporal discretizations) 전반에 걸쳐 재사용할 수 있다는 점은 이 기술의 큰 장점입니다. 백만 단계 롤아웃(million-step rollout)에서도 안정성을 입증한 INOS는 정확하고 효율적이며 견고한 동적 모델링을 위한 재사용 가능한 신경망 암시적 해법으로 자리매김할 것입니다. 이는 신소재 개발, 복잡한 구조물 설계, 기후 모델링 등 다양한 과학 및 공학 분야에서 연구 개발 속도를 가속화하는 데 크게 기여할 것으로 기대됩니다.