무한 길이 신경 시뮬레이션을 위한 자기 정제 신경 대리 모델

본 논문은 자동회귀 신경 대리 모델이 동역학 시스템 시뮬레이션에서 보여주는 급격한 속도 향상에도 불구하고, 장기 롤아웃 시 발생하는 분포 드리프트 문제를 체계적으로 분석하고 해결책을 제시한다. 서론에서는 물리‑기반 PDE 해석이 고해상도 공간·시간 격자를 필요로 하며, 이는 CFL 조건 등으로 인해 계산 비용이 폭증한다는 점을 강조한다. 최근 딥러닝 기반 자동회귀 대리 모델이 이러한 비용을 크게 낮추었지만, 작은 예측 오차가 누적돼 장기 시뮬레이션에서는 물리적 일관성을 상실한다는 한계가 있다. 문제 정의에서는 연속 시간 시스템 \(\partial_t x = F(x,t)\)를 시간 간격 \(\Delta t\)로 이산화하고, 이를 마코프 연속 과정으로 모델링한다. 목표는 초기 조건만 주어졌을 때, 학습된 전이 밀도 \(\hat p(x_{t+1}|x_t)\)를 통해 동적 일관성을 유지하면서 샘플 경로를 생성하는 것이다. 저자들은 전이 행렬 \(M\)와 학습된 \(\hat M\)의 퍼론 고유벡터(정상분포) \(\mu, \hat\mu\)를 이용해 두 종류의 오류를 정의한다. 조건부 근사 오류 \(E_{\text{cond}}\)는 한 스텝 예측 정확도를, OOD 오류 \(E_{\text{uncond}}\)는 장기 롤아웃에서 발생하는 정상분포 차이를 측정한다. 이 두 오류는 서로 상충하는 트레이드오프를 형성한다는 것을 정리와 증명을 통해 보여준다. 기존 연구들은 하이퍼파라미터(노이즈 스케일, 컨텍스트 길이 등)를 조정해 어느 정도 균형을 맞추었지만, 이 과정이 경험적이고 이론적 근거가 부족했다. 이를 극복하기 위해 논문은 “다중 노이즈 레벨 디노이징 오라클”을 도입한다. 입력 상태에 가우시안 노이즈 \(\sigma_s\)를 단계별로 추가하고, 각 레벨에서 디노이징 기대값 \(D(x^{(s)}) = \mathbb{E}