시공간 역학 (spatiotemporal dynamics)의 고충실도 시뮬레이션은 계산 비용이 매우 많이 들기 때문에, 거친 입력을 통해 고해상도 데이터를 재구성하는 효율적인 초해상도 (super-resolution) 기술이 필요합니다. 기존의 데이터 기반 방법들은 물리적 제약 조건 (physical constraints)이 부족한 경우가 많으며, 단순한 물리 정보 기반 학습 (physics-informed learning)은 불규칙한 공간 기하학 (spatial geometries)과 복잡하게 진화하는 시간 역학 (temporal dynamics)을 처리하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해, 우리는 불규칙한 기하학적 구조에서의 시공간 초해상도를 위한 물리 증강 Koopman 강화 그래프 합성곱 신경망 (Physics-augmented Koopman-enhanced Graph Convolutional Network, P-K-GCN)을 제안합니다. 구체적으로, 먼저 거친 그래프 (coarse graph)에서 공간적 의존성 (spatial dependencies)을 직접 추출하기 위해 연속 스플라인 기반의 GCN (continuous spline-based GCN)을 설계하였으며, Koopman 연산자 이론 (Koopman operator theory)을 통합하여 비선형 역학 (nonlinear dynamics)을 시간적 진행이 선형화되는 압축된 잠재 공간 (compact latent space)으로 투영합니다. 둘째, 데이터 기반 재구성이 물리 법칙을 준수하도록 하여 예측 충실도 (predictive fidelity)와 강건성 (robustness)을 향상시키기 위해 물리 기반 손실 (physics-based loss)로 최적화 목표를 증강합니다. 마지막으로, 우리는 물리 증강 (physics augmentation)과 Koopman 정규화 (Koopman regularization)가 라데마허 복잡도 (Rademacher complexity)를 감소시키고 일반화 경계 (generalization bounds)를 조여 초해상도 오차를 수학적으로 감소시킨다는 엄밀한 이론적 분석을 제공합니다. 우리는 희소한 저해상도 측정값으로부터 3D 심장 기하학 전체에 걸친 공간적 고해상도 심장 전기 역학 (cardiac electrodynamics)을 재구성하는 과제를 통해 우리의 프레임워크를 평가합니다. 수치 실험 결과, 우리의 방법이 베이스라인 모델들에 비해 우수한 정확도를 달성함을 입증하였습니다.