HyCOP: PDE 해석 가능한 학습을 위한 하이브리드 조립 연산자

요약

HyCOP는 PDE(편미분 방정식) 해석을 위한 모듈형 프레임워크로, 대류, 확산, 학습된 클로저 등 다양한 구성 요소를 쿼리 조건에 따라 조립하여 파라메트릭 PDE 해 연산자를 학습합니다. 이 프레임워크는 단일 거대 모델 대신 짧은 프로그램의 정책을 학습함으로써, 임의의 시간에 하이브리드 근사기를 평가할 수 있습니다. HyCOP는 다양한 PDE 벤치마크에서 OOD(Out-of-Distribution) 성능을 기존 거대 신경 연산자 대비 10배 이상 개선하며, 모듈형 전이와 오차 분해 분석 기능을 제공하여 해석 가능성과 견고성을 높였습니다.

핵심 포인트

• HyCOP는 PDE 해 연산자를 학습하는 모듈형 프레임워크로, 여러 구성 요소를 조립하여 사용합니다.
• 단일 거대 모델 대신 '어떤 모듈을 언제 적용할지'에 대한 정책(짧은 프로그램)을 학습하여 효율성을 높였습니다.
• 이 접근 방식 덕분에 임의의 쿼리 시간에서 하이브리드 근사기를 평가할 수 있으며, 자기회귀 롤아웃이 필요 없습니다.
• OOD 성능이 기존 거대 신경 연산자보다 10배 이상 개선되었으며, 모듈형 전이를 지원합니다.
• 오차 분해식을 제공하여 조립 오차를 모듈 오차와 분리할 수 있어 진단 도구로 활용 가능합니다.