대규모 기하학 범용 PDE 해결을 위한 Neural-Schwarz Tiling

요약

본 논문은 기존의 글로벌 대리 모델(global-surrogate) 기반 신경 연산자(neural operator)가 새로운 도메인에 대한 재사용성이 떨어진다는 한계를 지적하며, 이를 극복하기 위한 국소-전역 프레임워크 $\textbf{NEST}$ (Neural-Schwarz Tiling)를 제안합니다. NEST는 전체 해 필드를 학습하는 대신, 작은 이웃 영역(voxel patch)에서의 국소 물리 솔버를 학습하고, 고전적인 도메인 분할 및 Schwarz 결합을 통해 전역 일관성을 확보하여 일반화 능력을 크게 향상시킵니다. 이를 통해 크기와 기하학적 복잡성이 다른 대규모 PDE 문제에 적용 가능한 확장성 높은 학습형 PDE 솔버를 구현했습니다.

핵심 포인트

• 기존 신경 연산자는 전체 도메인 해를 매핑하는 글로벌 패러다임으로, 새로운 도메인 재사용성에 한계가 있다.
• NEST는 국소 물리 솔버(local physical solvers)에 초점을 맞춘 국소-전역 프레임워크이다.
• 작은 이웃 영역의 학습된 국소 솔버를 중첩 타일링하고 Schwarz 결합을 통해 전역 해로 합성하여 일반화성을 확보한다.
• NEST는 압축성 neo-Hookean 고체의 비선형 정적 평형 문제에 성공적으로 적용되었으며, 복잡한 3D 도메인에서도 성능을 입증했다.