대규모 기하학 범용 PDE 해결을 위한 Neural-Schwarz Tiling

대부분의 학습된 PDE (편미분 방정식) 솔버는 전역 대리 모델 (global-surrogate) 패러다임을 따릅니다. 즉, 지정된 기하학적 구조, 경계 조건 (boundary conditions), 그리고 계수 (coefficients) 분포에 대해 전체 문제 설명을 전체 해 필드 (solution fields)로 매핑하도록 신경 연산자 (neural operator)를 학습시킵니다. 이는 고정된 문제군 내에서 빠른 추론을 가능하게 했지만, 새로운 도메인으로의 재사용을 제한하며 대규모 배포를 비용이 많이 드는 문제별 데이터 생성에 의존하게 만듭니다. 우리는 학습의 중심을 전체 도메인 해 연산자에서 재사용 가능한 국소 물리 솔버 (local physical solvers)로 전환하는 국소-전역 프레임워크인 $\textbf{NEST}$ ($\textbf{Ne}$ural-$\textbf{S}$chwarz $\textbf{T}$iling)를 소개합니다. 핵심 전제는 전역 PDE 해가 기하학, 규모, 경계 조건에 의존하더라도, 작은 이웃 영역에서의 물리적 반응은 국소적으로 학습될 수 있으며 고전적인 도메인 분할 (domain decomposition)을 통해 전역 해로 합성될 수 있다는 것입니다. NEST는 다양한 국소 기하학 및 경계/인터페이스 데이터를 가진 최소한의 복셀 패치 ($3 \times 3 \times 3$) 상에서 신경 연산자를 학습합니다. 추론 시에는, 보지 못한 복셀화된 도메인을 중첩되는 패치로 타일링하고, 학습된 국소 솔버를 패치 단위로 적용하며, unity 분할 (partition-of-unity) 조립을 통한 반복적인 Schwarz 결합 (Schwarz coupling)을 통해 전역 일관성을 강제합니다. 이러한 방식으로, 일반화의 주체는 단일 신경 모델에서 국소 물리 학습과 알고리즘적 전역 조립의 결합으로 전환됩니다. 우리는 압축성 neo-Hookean 고체의 비선형 정적 평형 (nonlinear static equilibrium) 문제에 NEST를 구현하였으며, 학습 패치의 규모를 훨씬 벗어나는 크고 기하학적으로 복잡한 3D 도메인에서 이를 평가했습니다. 우리의 결과는 Schwarz 반복을 통해 결합된 국소 신경 빌딩 블록이 도메인의 크기, 모양, 경계 조건 구성 전반에 걸쳐 일반화되는 확장 가능한 학습형 PDE 솔버를 향한 재사용 가능한 국소 학습 경로를 제공함을 보여줍니다.