캘리포니아공과대(칼텍) 아니마 아난드쿠마르 교수팀이 엔비디아와 함께 AI가 날씨나 유체처럼 연속적인 물리 시스템을 이해하도록 기존 신경망 구조를 확장하는 '뉴럴 오퍼레이터' 프레임워크를 제시했다. 언어·이미지 모델이 이산적 데이터를 다루는 것과 달리, 이 프레임워크는 공간과 시간에 따라 변화하는 연속 함수 자체를 학습해 훈련하지 않은 해상도에서도 정확도를 유지한다. 128×128 격자로 학습한 모델이 64×64와 256×256 격자에서도 예측 성능을 유지한 반면, 일반 신경망은 해상도가 바뀌면 정확도가 떨어졌다. 연구팀은 이 방식을 핵융합 플라즈마 교란 시뮬레이션에 적용해 기존 수치 시뮬레이션보다 최대 100만배 빠른 속도를 확인했으며, 연구 결과는 네이처 머신 인텔리전스에 게재됐다.

• •칼텍·엔비디아 연구팀이 연속적 물리 시스템을 학습하는 '뉴럴 오퍼레이터' 프레임워크를 제시, 네이처 머신 인텔리전스에 게재.
• •기존 신경망을 처음부터 새로 설계하지 않고 이산 격자 구조를 연속 함수 학습 구조로 확장하는 일반적 방법을 제안.
• •128×128 격자로 학습한 모델이 64×64, 256×256 등 학습하지 않은 해상도에서도 정확도를 유지.
• •핵융합로 플라즐마 교란 시뮬레이션에 적용해 기존 수치 시뮬레이션 대비 최대 100만배 빠른 속도 달성.
• •제1저자는 전 칼텍 박사후연구원 출신 엔비디아 연구자 줌리어스 베르너.