후처리 우선 신경망 PDE 시뮬레이션: 단일 필드로부터 숨겨진 문제 상태 추론

Posterior-First Neural PDE Simulation: Inferring Hidden Problem State from a Single Field

신경망 PDE 시뮬레이터는 종종 배포 시 단일 관측 필드만을 입력으로 받습니다. 이러한 환경에서, 필드-미래 예측기는 다양한 잠재적 문제 상태를 동일한 결정론적 인터페이스로 통합하여 신뢰할 수 있는 예측 및 후속 의사 결정을 위한 모호성을 상실할 수 있습니다. 본 논문에서는 후처리 우선 신경망 PDE 시뮬레이션을 제안합니다. 먼저, 최소한의 작업 수행에 필요한 문제 상태에 대한 사후 분포를 추론하고, 그 후 예측을 해당 사후 분포에 기반하여 수행합니다. 이러한 접근 방식은 객체, 학습 목표, 그리고 실패 모드 간의 관계를 연결합니다. 베이즈 기반의 후속 값은 이 사후 분포를 통해 계산되며, 정제된 레이블은 적절한 점수 규칙을 통해 학습 가능하게 만듭니다. 결정론적 붕괴는 실제 사후 분포가 Dirac 분포가 아닌 경우 모호성 장벽을 발생시킵니다. 합성된 정확한 모호성 실험 결과, 점 추정 값과 사후 분포 간의 차이가 예측된 장벽과 일치하는 것을 확인했습니다. 메타데이터가 숨겨진 PDEBench 작업에서, 사후 분포 복구는 그룹별 예측의 RMSE를 0.175에서 0.132로 감소시켜, 직접적인 Oracle 접근 방식과의 격차를 59.4% 줄였습니다. 이러한 결과는 단일 관측 신경망 PDE 시뮬레이션이 전체적인 필드-미래 예측보다는 사후 분포를 먼저 고려하는 방식으로 수행되어야 함을 시사합니다.

Neural PDE simulators often receive only a single observed field at deployment. In this setting, a field-to-future predictor can collapse distinct latent problem states into the same deterministic interface, losing the ambiguity needed for reliable rollout and downstream decisions. We propose posterior-first neural PDE simulation: first infer a posterior over the minimal task-sufficient problem state, then condition prediction on that posterior. The resulting theory connects the object, the learning target, and the failure mode: Bayes downstream values factor through this posterior, refinement labels make it learnable by proper scoring rules, and deterministic collapse incurs an ambiguity barrier whenever the true posterior is non-Dirac. Synthetic exact-ambiguity experiments show that point-versus-posterior gaps track the predicted barrier. On metadata-hidden PDEBench tasks, posterior recovery reduces pooled rollout nRMSE from 0.175 to 0.132, closing 59.4% of the direct-to-oracle gap. These results suggest that single-observation neural PDE simulation should be posterior-first rather than monolithic field-to-future prediction.