물리적 사전지식을 활용한 확산 기반 동역학 생성

초록

본 논문은 물리 법칙과 대칭성(회전·이동 불변성 등)을 사전지식으로 도입한 확산 생성 모델을 제안한다. 분포적 사전지식과 에너지·운동량 보존, PDE 제약 등 물리적 실현 가능성 사전지식을 각각 손실 함수에 통합함으로써, 고차원 물리 시뮬레이션 데이터를 현실적인 동역학으로 생성한다. 실험 결과는 다양한 물리 현상에서 기존 방법보다 높은 정확도와 안정성을 보임을 확인한다.

상세 분석

이 연구는 확산 모델의 기본 수식인 전방 SDE와 역방 ODE를 기반으로, 물리적 사전지식을 두 가지 축으로 정형화한다. 첫 번째는 분포적 사전지식으로, SE( n )·전이 불변성, 입자 순열 불변성 등 군 대칭성을 이용해 스코어 함수가 (G,∇⁻¹)-equivariant임을 증명한다. 이를 위해 저자는 정리 1·2를 제시하고, 스코어 네트워크를 G-불변(또는 equivariant) 구조로 설계하도록 권장한다. 특히, 동등 클래스 매니폴드(ECM) 개념을 도입해, 동일한 내재 구조를 공유하는 샘플들을 하나의 대표 집합으로 압축함으로써 학습 효율과 일반화 능력을 향상시킨다. 두 번째는 물리적 실현 가능성 사전지식이다. 에너지·운동량 보존 법칙, 연속 방정식, Navier‑Stokes 등 PDE 제약을 손실에 직접 삽입한다. 저자는 Tweedie 공식과 연결해 E