CATO(Charted Axial Transformer Operator)는 복잡한 기하학적 PDE(편미분 방정식) 모델링의 어려움을 해결하기 위해 개발된 새로운 신경망 연산자입니다. 물리적 상호작용을 더 잘 표현할 수 있도록, CATO는 메시 좌표를 학습된 차트 공간으로 매핑하는 연속적인 차트를 학습합니다.
CATO는 차트 기반 축 방향 어텐션을 사용하여 장거리 의존성을 효율적으로 파악하고 계산 비용을 줄이며, 해상도 값, 메시 일관성 기울기, 보조 플럭스 필드를 동시에 감독하는 물리 기반 손실을 도입하여 물리적 정확도를 향상시킵니다.
CATO는 평가된 모든 데이터 세트에서 가장 뛰어난 성능을 보였으며, 기존 모델 대비 평균 26.76% 성능 향상과 함께 파라미터 수를 81.98% 줄였습니다.