인공지능(AI)이 복잡한 물리 시스템을 모델링하는 데 중요한 역할을 하고 있지만, 매개변수 미분방정식(PDE)의 해를 학습하는 과정에서 여러 난관에 부딪혀 왔습니다. 특히, 다양한 입력 함수와 물리적 매개변수에 걸쳐 광범위한 데이터를 필요로 하며, 훈련 데이터 분포를 벗어나면 예측이 조용히 실패하는 '침묵의 실패' 문제가 발생하곤 했습니다. 이러한 한계를 극복하기 위해 새로운 '방정식 재구성(equation recast)' 접근 방식이 제안되었습니다.
'방정식 재구성'은 매개변수 연산자 학습(parametric operator learning)을 단일 '정규 연산자(canonical operator)' 학습으로 재구성하는 혁신적인 방법입니다. 이 방식은 매개변수로 인해 발생하는 연산자 변화를 지배 방정식으로부터 분석적으로 도출하고, 이를 '유효 소스(effective sources)'로 흡수시킵니다. 이를 통해 모델은 훈련되지 않은 새로운 매개변수 영역에서도 '제로샷(zero-shot)' 예측을 수행할 수 있게 됩니다. 다중 매개변수, 비선형, 특이(singular) PDE 환경 전반에 걸쳐 외삽(extrapolation)을 지원하며, 희소하고 이질적인 데이터셋을 공유된 정규 표현으로 통합하는 장점이 있습니다.
이 기술은 특히 핵융합 시뮬레이션과 같은 고정밀 과학 분야에서 큰 잠재력을 보여줍니다. 연구진은 핵융합 장치인 토카막(tokamak)의 전자 온도 데이터를 네 가지 다른 장치 형상에 걸쳐 단일 통합 연산자로 학습시키는 데 성공했습니다. 이는 방정식 재구성이 방정식 기반 전이 학습(equation-guided transfer), 데이터 효율성, 그리고 추론 과정에서 수렴 손실을 내부 경고 신호로 활용하여 실패를 모니터링할 수 있는 재사용 가능한 신경망 PDE 솔버(neural PDE solver)의 길을 열었음을 의미합니다. 궁극적으로 이 연구는 복잡한 물리 현상을 AI로 모델링하고 예측하는 방식에 있어 새로운 패러다임을 제시하며, 과학 및 공학 분야의 난제를 해결하는 데 중요한 진전을 가져올 것입니다.