연구진은 제한된 훈련 데이터로 효율적인 기하학적 일반화를 가능하게 하는 물리 기반 학습 기법인 잠재 PDE 매핑을 소개했어요.
잠재 PDE 매핑은 변형 기울도를 통해 미리 정의된 잠재 기하학으로 기하학별 PDE 잔류 및 경계 조건을 당겨서 기존 물리 기반 머신러닝에서 누락된 기하학적으로 일관된 모양 기울기를 자동으로 계산해요.
심방 전기도생리학의 이형 Aliev-Panfilov PDE를 물리 기반 신경망과 물리 기반 심층 연산자 네트워크를 모두 사용하여 해결하는 데 잠재 PDE 매핑의 유용성을 입증했어요. 15개의 기하학 샘플로 훈련하여 제한된 데이터 환경을 표현했어요.