멀티스케일 복잡 시스템의 생성형 AI 진단: 스케일 감지 적대적 분석

초음파 난류에서 우주의 거시적 구조에 이르는 복잡한 물리 시스템은 연속적인 멀티스케일 동역학에 의해 지배됩니다. 현대 머신러닝 아키텍처는 이러한 시스템의 고차원 관측량을 매핑하는 데 탁월하지만, 그들이 지배적인 물리 법칙을 내부화했는지 아니면 단순히 이산적인 통계적 상관관계를 보간할 뿐인지 명확하지 않습니다. 표준 설명 가능한 AI (XAI) 아키텍처, 특히 섭동 기반 및 그래디언트-사건성 방법은 픽셀별 섭동에 의존하며, 이는 비물리적 아티팩트를 생성하고 유효한 경험적 분포에서 입력을 밀어냅니다. 이를 해결하기 위해 우리는 스케일 감지 변형 (CDD) 를 기반으로 한 확산 기반 멀티스케일 데이터 분해 알고리즘을 구동하는 진단 프레임워크를 소개합니다. CDD 는 물리적으로 제약된 데이터 생성과 스케일 감지 수정을 통한 모델 평가를 가능하게 합니다. 이 프레임워크를 데노이징 확산 확률적 모델 (DDPM) 에 적용하여, 연속적인 CDD 기반 스케일 공간 내에서 결정론적 개입을 직접 수행했습니다. 우리는 중간 정도의 물리적 섭동 하에서 제약 없는 생성 모델이 연속적인 편미분 방정식 (PDE) 같은 응답 대신 국소적인 구조 동결과 비선형 불안정성을 보인다는 것을 증명했습니다. 네트워크는 크로스 스케일 연속성을 유지하지 못하여, 미지의 물리 상태로 밀어넣을 때 생성 경로가 발산합니다. 이 스케일 정보에 기반한 방법은 물리적으로 일관된 상태의 연속체를 합성하여 알고리즘 취약점을 평가할 수 있는 통제된 테스트 환경을 구축하며, 미래 아키텍처가 자연계의 멀티스케일 인과성을 존중하기 위해 필요한 엄격한 물리적 제약을 제공합니다.