본 연구는 시공간 영역에서 PINNs의 효율성을 높이기 위해 딥 적응 샘플링 프레임워크를 확장했어요. 시공간을 통합 영역으로 취급하여 명시적인 시간 행진 없이 고차원 편미분방정식 문제를 해결해요.
정규화 흐름 신경망 모델이 PDE 잔류에 의해 유도된 분포를 학습하여 학습하기 어려운 영역에 집중된 새로운 콜로케이션 포인트를 생성해요.
두 차원 공간에서 날카롭고 움직이는 특징부터 8차원 공간에서 국소화된 구조까지 다양한 벤치마크 문제를 통해 효과를 검증했어요.