신경망 기반 물리 시뮬레이터의 데이터 분포 변화에 대한 일반화 성능

Out-of-Distribution Generalization for Neural Physics Solvers

신경망 기반 물리 시뮬레이터는 물리, 재료, 또는 생물학적 시스템 및 그 장기적인 변화에 대한 빠른 시뮬레이션 가능성으로 인해 과학 연구 분야에서 점점 더 많이 활용되고 있습니다. 그러나 훈련 데이터 범위를 벗어난 일반화 성능이 낮으면 새로운 설계 탐색 및 장기 예측에 제약이 있습니다. 본 논문에서는 NOVA라는 일반화된 신경망 기반 물리 시뮬레이터 개발 방법을 제시합니다. NOVA는 편미분 방정식의 파라미터, 기하학적 구조 및 초기 조건에 대한 데이터 분포 변화에도 빠르고 정확한 솔루션을 제공합니다. 초기 데이터 세트로부터 물리 법칙에 부합하는 표현을 학습함으로써, NOVA는 복잡하고 비선형적인 문제(예: 열 전달, 확산-반응, 유체 흐름)에서 데이터 기반의 기존 방법보다 1~2 orders of magnitude 낮은 데이터 분포 변화에 대한 오류를 보입니다. 또한, NOVA는 비선형 튜링 시스템 시뮬레이션 및 유체 칩 최적화에 적용하여 장기 동역학 예측 안정화 및 생성적 설계 개선에 기여하는 것을 보여줍니다. 기존의 신경망 기반 물리 시뮬레이터가 사전에 정의된 공간 내의 검색 또는 에뮬레이션에 제한되는 반면, NOVA는 알려진 영역을 넘어 신뢰할 수 있는 예측을 가능하게 합니다. 이는 과학적 발견에서 새로운 가설 공간을 탐색하는 데 필수적인 기능입니다.

Neural physics solvers are increasingly used in scientific discovery, given their potential for rapid in silico insights into physical, materials, or biological systems and their long-time evolution. However, poor generalization beyond their training support limits exploration of novel designs and long-time horizon predictions. We introduce NOVA, a route to generalizable neural physics solvers that can provide rapid, accurate solutions to scenarios even under distributional shifts in partial differential equation parameters, geometries and initial conditions. By learning physics-aligned representations from an initial sparse set of scenarios, NOVA consistently achieves 1-2 orders of magnitude lower out-of-distribution errors than data-driven baselines across complex, nonlinear problems including heat transfer, diffusion-reaction and fluid flow. We further showcase NOVA's dual impact on stabilizing long-time dynamical rollouts and improving generative design through application to the simulation of nonlinear Turing systems and fluidic chip optimization. Unlike neural physics solvers that are constrained to retrieval and/or emulation within an a priori space, NOVA enables reliable extrapolation beyond known regimes, a key capability given the need for exploration of novel hypothesis spaces in scientific discovery