SEAM: 과학적 머신러닝에서 지역 정확성 이상의 전역 일관성

SEAM: Global consistency beyond local accuracy in scientific machine learning

과학적 머신러닝은 일반적으로 부분 영역, 벤치마크 분할 또는 특정 예측에 대한 설명을 통해 모델을 검증합니다. 그러나 이러한 지역적인 검증만으로는 결과적으로 도출된 설명들이 하나의 전역적으로 허용 가능한 설명으로 통합될 수 있는지 확인하기 어렵습니다. 본 연구에서는 Scientific Explanation-Admissibility Machines (SEAM)이라는, 생성 모델에 독립적인 프레임워크를 소개하며, 이를 통해 지역 간의 일관성 문제를 다양한 영역, 센서, 환경 및 모델 구성 요소 전반에 걸쳐 계산적으로 검증할 수 있습니다. 유한한 설명 집합 SEAM-$Ω$은 각 영역을 상태, 폐쇄 및 관측 채널과 함께 선택적인 계약 메타데이터를 갖는 구조화된 설명으로 표현하고, 인접한 설명들의 중복성을 비교하며, 불일치를 채널 단위의 장애로 변환합니다. 이러한 장애는 불일치를 찾아내고, 서로 다른 주장을 검증하기 위해 각 수정을 해당 주장이 허용하는 수정 사항으로 제한합니다. 정확한 실행 가능성은 주장의 타당성을 부정하거나 유지하며, 정확한 수정이 불가능할 경우, 잔류량을 고려한 정규화된 기록을 통해 별도의 경험적 귀속 정보를 제공합니다. 본 프레임워크는 또한 불일치를 식별 불가능성과 분리하고, 분포 변화에 따른 학습된 생성 모델을 모니터링합니다. 우리는 최소 비용 개입 및 보존-계약 탐지 이론을 제시하며, 식별 가능성 및 폐쇄 복원 가능성에 대한 관련 결과를 함께 제공합니다. 19개의 실험을 통해 합성 편미분 방정식 시스템과 분포 외 신경망 연산자(FNO) 모니터링에 대해 SEAM은 지역 예측이 정확하더라도 호환되지 않는 설명을 탐지하고, 특정 채널 및 중복성을 원인으로 지목합니다. SEAM은 기존 솔버 및 학습 모델에 전역 설명 일관성 검증 기능을 추가하여, 이들이 생성하는 지역적 설명들이 일관된 과학적 설명을 구성하는지 테스트할 수 있도록 합니다.

Scientific machine learning commonly validates models at the level of a subdomain, a benchmark split, or an explanation for one prediction. Yet such local checks cannot establish whether the resulting explanations can be assembled into one globally admissible explanation. We introduce Scientific Explanation-Admissibility Machines (SEAM), a generator-agnostic framework that makes this local-to-global consistency question computable across regions, sensors, regimes, and model components. The finite explanation-sheaf instantiation SEAM-$Ω$ represents each region by a structured explanation with state, closure, and observation channels together with optional contract metadata; compares neighboring explanations on their overlaps; and converts disagreement into a channel-resolved obstruction. This obstruction locates inconsistency and tests competing declared accounts by restricting each repair to the revisions that one account permits. Exact feasibility refutes or retains an account; when exact repair is unavailable, residual-aware regularized records provide a separately labeled empirical attribution. The framework also separates inconsistency from non-identifiability and monitors learned generators under distribution shift. We establish theorems for minimum-cost intervention and conservation-contract detectability, together with companion results for identifiability and closure recoverability. Across nineteen experiments involving synthetic partial differential equation systems and out-of-distribution Fourier neural operator (FNO) monitoring, SEAM detects incompatible explanations even when local predictions are accurate, and attributes failures to specific channels and overlaps. SEAM adds a global explanation-consistency audit to existing solvers and learning models, testing whether their local explanations form a coherent scientific account.