대규모 과학 시뮬레이션은 저장 장치 및 네트워크 대역폭의 발전 속도를 훨씬 앞지르는 속도로 볼륨 데이터(volumetric data)를 생성하며, 이로 인해 효과적인 손실 압축(lossy compression)의 중요성이 점점 더 커지고 있습니다. 그러나 기존의 압축기들은 높은 압축률(CRs)에서 미세한 구조적 세부 사항을 보존하는 데 어려움을 겪는 경우가 많으며, 암시적 신경 표현(Implicit Neural Representations, INRs)은 볼륨당 비용이 많이 드는 최적화 과정을 필요로 하고 고정된 압축률(CRs)을 가진 모델을 생성합니다. 이에 대응하여, 우리는 오프라인 압축을 위한 높은 압축률(CRs)을 목표로 하는 오토인코더(Autoencoder, AE) 기반의 볼륨 압축 프레임워크인 EVOLVE를 제시하며, 세 가지 핵심 기여를 포함합니다. 첫째, 우리는 다양성을 보장하기 위해 퍼셉추얼 해싱(perceptual hashing)을 통해 큐레이션된 21개의 과학 시뮬레이션으로부터 6,376개의 볼륨으로 구성된 대규모 교차 도메인 데이터베이스를 구축하여, 최적화된 모델이 포함된 과학 시뮬레이션 도메인 내의 볼륨 전반에 걸쳐 일반화될 수 있는 특징을 추출할 수 있도록 합니다. 둘째, 우리는 AE 기반 압축기의 설계 공간을 재검토하고, 바닐라 AE(vanilla AE)에 여러 매크로 및 마이크로 설계를 통합하여 표현력과 압축 능력을 실질적으로 향상시킨 EVOLVE를 개발했습니다. 셋째, 우리는 가변 비트레이트 인코딩(variable-rate encoding)을 가능하게 하는 3단계 학습 전략을 갖춘 학습 가능한 게인 메커니즘(learnable gain mechanism)을 개발하여, 단일 모델이 추론 시점에 연속적인 압축률(CR) 조정을 지원할 수 있도록 합니다. 학습되지 않은 여러 과학 시뮬레이션 데이터셋에 대한 실험을 통해, EVOLVE는 유사한 재구성 품질에서 기존 압축기보다 실질적으로 더 높은 압축률(CRs)을 달성하는 동시에, INR 기반 방법보다 수십 배 빠른 압축 속도를 제공함으로써 과학 데이터를 압축하기 위한 강력한 대안으로서의 가능성을 입증했습니다. 코드, 모델 가중치 및 결과는 프로젝트 페이지 https://evolve-vis.github.io 에서 확인할 수 있습니다.