우주를 거대한, 보이지 않는 스크린 위에서 상영되는 투명한 영화라고 상상해 보십시오. 나뭇잎이 떨어질 때마다, 커피가 식을 때마다, 혹은 구름이 흘러갈 때마다, 그것은 수학이라는 언어로 쓰인 엄격하고 보이지 않는 규칙들을 따르고 있습니다. 이 규칙들을 편미분 방정식(PDE)이라고 부릅니다. 이것들을 물리학을 위한 궁극의 레시피 북이라고 생각하면 됩니다. 만약 당신이 재료(금속 막대가 얼마나 뜨거운지 등)와 주방의 규칙(열이 어떻게 이동하는지)을 알고 있다면, 미래에 그 요리가 어떤 모습일지 정확히 예측할 수 있습니다.

오랫동안 과학자들은 실제 세계에서 비싸고 느린 실험을 직접 수행하지 않고도 이 영화를 관람할 수 있는 "시뮬레이터"를 구축하려고 노력해 왔습니다. 하지만 그들은 좌절스러운 세 가지 문제의 삼각형에 갇혀 있었습니다. 전통적인 수학 방식은 매우 정확하지만 실행하는 데 시간이 너무 오래 걸립니다. 마치 해변의 모래알 하나하나를 일일이 세는 것과 같습니다. 새로운 AI 방식은 빠르지만 물리 법칙을 틀리는 경우가 많습니다. 이는 가끔 운 좋게 맞히기는 하지만 상황이 바뀌면 실패하는 추측꾼과 같습니다. 그리고 최신 "파운데이션 모델(foundation models)"—엄청난 양의 데이터로 학습된 거대한 AI 두뇌들—은 범용성을 약속함에도 불구하고 너무 크고 느려서 종종 기존의 수학 방식보다 속도가 나지 않습니다. 큰 질문은 이것입니다. 우리는 빠르고, 수학적으로 완벽하며, 규칙이 바뀔 때마다 매번 다시 학습할 필요 없이 어떤 상황도 처리할 수 있는 스마트한 시뮬레이터를 만들 수 있을까요?

"매개변수 및 경계값 문제를 위한 일반화된 뉴럴 오퍼레이터(Generalized Neural Operator for Parametric and Boundary-Value Problems)"라는 제목의 이 논문은 이 퍼즐을 풀기 위한 영리한 새로운 방법을 제안합니다. 연구자들은 UCLA 출신의 저자들로, 이전의 AI 모델들이 실패한 이유는 그들이 게임의 규칙을 '듣는' 대신 규칙을 '추측'하려고 했기 때문이라고 제급합니다. 그들은 **일반화된 뉴럴 오퍼레이터(GNO)**라는 새로운 시스템을 도입했습니다. GNO는 단순히 AI에게 시작하는 그림(예: 뜨거운 커피 한 잔)만을 입력하고 나머지를 알아서 맞히기를 기대하는 대신, 명시적으로 AI에게 "규칙 책"(특정 물리 매개변수)과 "경계 조건"(컵이 단열되어 있는지 아니면 공기에 노출되어 있는지와 같은 용기의 규칙)을 건네줍니다.

이 논문은 AI에게 이러한 명시적인 입력을 제공함으로써, 다양한 물리적 시나리오 전반에서 작동하는 하나의 강력한 모델을 학습할 수 있다는 것을 발견했습니다. 저자들은 열이 어떻게 퍼지는지, 유체가 어떻게 흐르는지, 파동이 어떻게 움직이는지를 포함한 여러 유형의 물리 문제에 대해 이를 테스트했습니다. 결과에 따르면, 이 새로운 접근 방식은 다음 단계의 결과를 예측하는 데 있어 더 정확할 뿐만 아니라 믿을 수 없을 정도로 빠릅라—열 문제의 경우 전통적인 수학 솔버보다 종종 2배 빠르고, 유체 흐름 문제의 경우 4배 더 빠르며, 높은 정밀도를 유지합니다.

물리 시뮬레이터의 트리레마 (Trilemma)

이 새로운 발명이 왜 그토록 중요한지 이해하기 위해, 당신이 로봇에게 요리를 가르치고 있다고 상상해 보십시오.

첫째, 당신에게는 **전통적인 요리사(Traditional Chef)**가 있습니다. 이 로봇은 인간 수학자가 쓴 엄격하고 단계적인 레시피를 따릅니다. 절대 실수를 하지 않지만, 믿을 수 없을 정도로 느립니다. 만약 당신이 레시피를 "물 끓이기"에서 "계란 프라이 하기"로 바꾸고 싶다면, 로봇의 코드를 완전히 새로 작성해야 합니다. 그것은 경직되어 있고 실행 비용이 많이 듭니다.

둘째, 당신에게는 **직관적인 견습생(Intuitive Apprentice)**이 있습니다. 이 로봇은 수천 개의 요리 영상을 보며 학습합니다. 빠르고 다음에 무엇을 할지 추측할 수 있습니다. 하지만 함정이 있습니다. 만약 당신이 본 적 없는 요리를 요청하거나 가스레인지 온도를 약간만 바꿔도, 이 로봇은 혼란에 빠져 당신에게 타버린 음식을 내놓을 수 있습니다. 이 로봇은 요리의 근저에 있는 '왜'를 진정으로 이해하는 것이 아니라, 그저 패턴을 암기했을 뿐입니다.

셋째, 당신에게는 **슈퍼 견습생(Super-Apprentice)**이 있습니다. 이것은 세상의 모든 요리 프로그램을 시청한 거대한 AI 모델입니다. 모든 요리를 마스터할 수 있도록 설계되었습니다. 하지만 너무 거대하기 때문에 생각하는 데 시간이 아주 오래 걸리며, 종종 전통적인 요리사만큼이나 느려지기도 합니다. 게다가 주방의 규칙이 자신이 명시적으로 배우지 않은 방식으로 변할 때 여전히 어려움을 겪습니다.

이 논문의 저자들은 이 세 가지 접근 방식이 "트리레마"에 갇혀 있다고 주장합니다. 당신은 속도, 정확성, 유연성 중 하나를 가질 수 있지만, 세 가지를 동시에 가질 수는 없습니다. 전통적인 요리사는 정확하지만 느립니다. 직관적인 견습생은 빠르지만 새로운 작업에는 부정확합니다. 슈퍼 견습생은 유연하지만 너무 느리고 종종 잘못된 추측을 합니다.

핵심 재료: 명시적 지침

이 논문은 이러한 간극을 메우는 해결책을 제안합니다. 핵심 아이디어는 단순하지만 심오합니다: 규칙을 추측하는 것을 멈추십시오.

물리학에서 문제는 세 가지로 정의됩니다:

1. 방정식: 일반적인 법칙 (예: "열은 뜨거운 곳에서 차가운 곳으로 이동한다").
2. 매개변수: 구체적인 숫자 (예: "이 금속은 0.5의 비율로 열을 전달한다").
3. 경계: 세계의 가장자리 (예: "왼쪽은 얼어붙어 있고, 오른쪽은 열려 있다").

이전의 AI 모델들은 마치 형사가 시신만을 보고 범죄 현장을 파악하려는 것처럼, 데이터를 통해 매개변수와 경계를 학습하려고 했습니다. 저자들은 이것이 나쁜 생각이라고 주장합니다. 그것은 마치 형사에게 살인 사건을 해결하면서 동시에 날씨를 맞히라고 요구하는 것과 같습니다. 이는 "부적절한 문제(ill-posed problem)"이며, 즉 가능한 답이 너무 많아서 AI가 결국 평균값을 추측하게 되고, 그 결과는 대개 틀리게 됩니다.

대신, 일반화된 뉴럴 오퍼레이터는 정확한 레시피 카드를 건네받는 요리사처럼 행동합니다. AI에게는 다음과 같이 명시적으로 전달됩니다: "오늘의 열 확산율(열이 이동하는 속도)은 0.5이고, 경계는 단열 상태이다." 이러한 정보를 AI의 두뇌에 직접 입력함으로써, 모델은 규칙을 추측하는 데 에너지를 낭비하지 않아도 됩니다. 모델은 오로지 결과를 계산하는 데에만 집중할 수 있습니다.

작동 원리: 마법의 도구 상자

컴퓨터의 속도를 늦추지 않으면서 이를 구현하기 위해, 저자들은 AI 아키텍처 내에 세 가지 특별한 도구를 구축했습니다.

1. 매개변수 게이트형 커널 혼합 (Parameter-Gated Mixture of Kernels, "카멜레온 스위치")
모든 도구가 서로 다른 종류의 렌치인 도구 상자를 상상해 보십시오. 구리 파이프의 볼트를 조일 때는 특정 렌치가 필요합니다. 강철 파이프라면 다른 렌치가 필요할 것입니다. 오래된 AI 모델은 모든 것에 사용하려고 하는 하나의 거대하고 무거운 렌치를 사용했기에 적합도가 떨어졌습니다.
새로운 모델에는 "카멜레온 스위치"가 있습니다. AI가 매개변수(예: 레이놀즈 수 500)를 감지하면, 즉시 그 작업에 딱 맞는 "커널"(특정 수학적 도구)을 선택합니다. 모든 도구를 한꺼번에 사용하는 것이 아니라, 현재의 물리적 영역에 맞는 도구를 골라 사용합니다. 이를 통해 모델은 혼란 없이 완만한 층류부터 혼돈스러운 난류까지 모두 다룰 수 있습니다.

2. 일반화된 경계 전이 연산자 (Generalized Boundary Transfer Operator, "만능 번역기")
물리 문제는 다양한 유형의 경계를 가집니다. 때로는 가장자리가 고정된 온도로 유지되기도 하고(디리클레 경계), 때로는 열 흐름이 고정되기도 합니다(노이만 경계). 때로는 비디오 게임 세계처럼 가장자리가 순환하기도 합니다(주기적 경계).
기존 모델은 이 모든 다른 유형의 경계를 동시에 처리하는 데 어려움을 겪었습니다. 새로운 모델은 어떤 유형의 경계 조건이라도 받아들여 하나의 보편적인 언어("잠재 디리클레 표현", latent Dirichlet representation)로 변환하는 "번역기"를 포함합니다. 이렇게 함으로써 AI의 메인 두뇌는 단 한 가지 유형의 경계만을 학습하면 되므로 훨씬 더 똑똑하고 범용적으로 변합니다.

3. 강건한 학습 목적 함수 (Robust Training Objective, "공정성 코치")
AI를 학습시킬 때, 쉬운 문제에는 능숙해지고 어려운 문제에는 형편없어지기 쉽습니다. 저자들은 "그룹 분포 강건 최적화(Group Distributionally Robust Optimization)"라고 불리는 특별한 학습 방법을 사용했습니다. 이것은 학생이 쉬운 문제만큼 어려운 문제도 잘 풀 수 있을 때까지 공부를 멈추지 못하게 하는 코치와 같습니다. 이는 모델이 단순히 "평균" 점수를 얻는 것이 아니라, 전체 가능성의 범위에서 신뢰할 수 있도록 보장합니다.

결과: 빠르고, 정확하며, 무엇이든 준비된 모델

저자들은 자신들의 일반화된 뉴럴 오퍼레이터를 몇 가지 고전적인 물리 문제에 테스트했습니다:

• 열 방정식 (The Heat Equation): 물질을 통해 열이 어떻게 퍼지는가.
• 이류 방정식 (The Advection Equation): 물질(예: 연기)이 바람을 따라 어떻게 이동하는가.
• 버거스 방정식 (The Burgers Equation): 유체 흐로와 충격파를 설명하는 단순화된 모델.
• 비압축성 나비에-스토크스 방정식 (Incompressible Navier-Stokes Equations): 물과 공기의 흐름을 설명하는 복잡한 수학 (기상 및 항공 역학에 사용됨).

이 테스트들에서 새로운 모델은 일관되게 경쟁 모델들을 압도했습니다.

• 정확도: 특히 물리 매개변수가 변할 때 다른 AI 모델들보다 현저히 적은 오류를 기록했습니다. 예를 들어, 나비에-스토크스 테스트에서 이 모델은 약 $5.23 \times 10^{-5}$의 오차율을 달 기록했는데, 이는 $10^{-2}$ 이상의 오차로 고전했던 다른 모델들과 비교할 때 놀라울 정도로 낮은 수치입니다.
• 속도: 여기서 마법이 빛을 발합니다. 저자들은 자신들의 모델을 전통적인 수치 솔버(전통적인 요리사)와 비교했습니다. 동일한 수준의 정확도를 얻기 위해 전통적인 솔버는 수학을 단순화(해상도를 낮춤)해야 했는데, 이는 보통 속도를 비교할 때 공정한 방식입니다. 이러한 핸디캡에도 불구하고, 새로운 AI 모델은 열 문제에서 약 2배, 이류 문제에서 약 4배 더 빨랐습니다.
• 일반화 능력: 모델은 한 번도 본 적 없는 변화를 처리할 수 있었습니다. 경계가 고정된 온도이든, 고정된 흐름이든, 혹은 반복되는 루프 형태이든 상관없이 모델은 재학습 없이 즉각적으로 적응했습니다.

이것이 왜 중요한가

이 논문은 AI가 물리학을 "추측"하던 시대가 끝나가고 있음을 시사합니다. 게임의 규칙을 AI에게 명시적으로 알려줌으로써, 우리는 빠르면서도 신뢰할 수 있는 시뮬레이터를 구축할 수 있습니다. 이것은 단순한 이론적 승리가 아닙니다. 이는 우리가 정확도를 희생하지 않으면서도, 오늘날보다 훨씬 빠르게 복잡한 기상 패턴을 시뮬레이션하거나, 더 나은 비행기를 설계하거나, 인체의 혈류를 모델링할 수 있음을 의미합니다.

저자들은 자신들의 결과가 유망하지만, 특정 데이터셋과 시뮬레이션에 기반하고 있다는 점을 주의 깊게 언급합니다. 그들은 모든 물리 문제를 해결하는 단 하나의 "파운데이션 모델"을 만드는 것이 여전히 거대한 도전이며, 다양한 경계 조건을 위한 현재의 벤치마크가 부족하다는 점을 인정합니다. 그러나 그들의 연구는 강력한 개념 증명을 제공합니다: AI에게 올바른 지침을 준다면, AI는 단순한 추측꾼이 아니라 물리학의 마스터가 될 수 있습니다.

결국, 일반화된 뉴럴 오퍼레이터는 초지능적인 학생에게 교과서와 구체적인 문제 번호, 그리고 시험 규칙을 한꺼번에 건네주는 것과 같습니다. 답을 암기하려고 애쓰는 대신, 학생은 그 '방법'을 배우게 되며, 이를 통해 어떤 문제가 던져지더라도 빠르고 정확하게 해결할 수 있게 됩니다.