연구진이 PDE(편미분 방정식) 해결 정확도를 높이는 새로운 방법인 오류 조건 신경 솔버(ENS)를 제안했어요. 기존 방법은 PDE 잔차를 최소화하는 데 집중했지만, 이는 정확도와 관련이 없을 수 있었어요.
ENS는 PDE 잔차를 직접 입력으로 받아 네트워크가 자체 오류의 공간적 구조를 파악하고 예측을 반복적으로 수정하도록 훈련했어요.
4가지 PDE 패밀리에서 ENS는 대부분의 경우 가장 높은 예측 정확도를 달성했으며, 난류 콜모고로프 흐름에서는 최대 10배의 성능 향상을 보였어요.
ENS의 학습된 수정 정책은 분포 변화에 강하며, 특히 잔차 최소화가 신뢰할 수 없는 불안정한 환경에서 효과적이에요.