연구진은 사전 학습된 이미지 편집 모델이 다양한 수치 해석 문제를 해결하는 데 활용될 수 있는지 조사했어요. 물리적 입력과 해를 이미지로 표현하고, 경량 어댑터를 통해 물질 특성, 확산도, 하중 매개변수 등의 스칼라 값을 입력해요. 다양한 물리 현상 모델링에 동일한 아키텍처와 학습 프로토콜을 적용한 결과, 불안정하거나 충격파를 포함한 다양한 정적 및 시간 의존적 물리 매핑을 표현할 수 있었어요.
연구 결과는 기존의 전문 솔루션을 능가하는 것을 목표로 한 것이 아니라, 이미지 모델의 잠재력을 탐색하는 데 초점을 맞췄어요. 이미지와 잠재 표현은 수치 범위 선택과 지배 방정식 또는 불변량의 직접적인 강제 시행을 복잡하게 한다는 제약 사항도 확인했어요.
연구진은 커모토-시바시킨스키 실험 실패를 통해 표현 오류가 혼돈 시스템의 장기 예측을 방해할 수 있다는 점을 발견했어요.