솔버(solver)별 재설계 없이 다양한 물리 현상을 모델링할 수 있는 통합 시뮬레이터는 시뮬레이션 과학 전반에 걸친 오랜 목표입니다. 본 논문에서는 천(cloth), 탄성 고체(elastic solids), 뉴턴 및 비뉴턴 유체(Newtonian and non-Newtonian fluids), 과립형 물질(granular materials), 그리고 분자 역학(molecular dynamics)을 모델링하기 위해 단일 Transformer 아키텍처를 기반으로 구축된 학습 기반 입자 시뮬레이터를 제시합니다. 우리의 모델은 공유된 라그랑주 입자 표현(Lagrangian particle representation) 상에서 예측-수정(prediction-correction) 설계를 따릅니다. 명시적 예측기(explicit predictor)는 먼저 알려진 외력(external forces) 하에서 입자를 전진시켜, 외부에서 유도된 운동은 포착하지만 입자 간 상호작용(inter-particle interactions)은 포착하지 않는 중간 상태를 생성합니다. 그 후 학습된 수정기(learned corrector)가 다음의 세 단계를 통해 잔차 위치 및 속도 업데이트(residual position and velocity updates)를 예측합니다: 국부적인 입자-입자(particle-particle), 입자-경계(particle-boundary), 그리고 위상 유도 상호작용(topology-guided interactions)을 인코딩하는 입자 토크나이저(particle tokenizer); 교차 자기 주의 집중(alternating self-attention)과 토큰 병합(token merging)을 통해 입자 토큰을 압축된 슈퍼 토큰(super tokens) 세트로 계층적으로 병합하는 슈퍼 토큰 인코더(super-token encoder); 그리고 크로스 어텐션(cross-attention)을 통해 이러한 슈퍼 토큰을 다시 입자 해상도로 끌어올려 입자별 위치 및 속도 수정을 예측하는 슈퍼 토큰 디코더(super-token decoder)입니다. 점진적 토큰 병합(Progressive token merging)은 각 단계에서 토큰 수를 절반으로 줄임으로써 연속적인 인코더 레이어에서의 어텐션 비용(attention cost)을 감소시키며, 디코더는 전체 입자 간 어텐션(full particle-to-particle attention) 대신 압축된 슈퍼 토큰 세트를 통해 통신합니다. 6가지 역학 범주 전반에 걸쳐, 동일한 아키텍처는 학습되지 않은 재료, 경계 구성, 초기 조건 및 외력으로 일반화됩니다. 나아가 우리는 다운스트림 상호작용 제어(interactive control), 역설계(inverse design), 그리고 실제 조작 데이터로부터의 학습을 입증함으로써, 현상별 솔버 엔지니어링(solver engineering)의 필요성을 줄였습니다.