본 논문은 물리 정보 통합 신경 연산자(PINOs)와 점수 기반 생성 확산 모델을 결합한 하이브리드 머신 러닝 프레임워크를 제시합니다. 이 프레임워크는 2차원 비압축성 저항성 자기유체역학(MHD) 난류의 완전한 시공간적 진화를 다양한 레이놀즈 수(Re)에서 시뮬레이션합니다. PINOs의 방정식 제약 일반화 능력을 활용하여 일관되고 저주파의 역학을 예측하고, 조건부 확산 모델은 고주파 잔차를 확률적으로 보정하여 완전히 발달된 난류를 정확하게 모델링합니다. Re ∈ {100, 250, 500, 750, 1000, 3000, 10000}의 고충실도 시뮬레이션의 포괄적인 앙상블로 훈련된 이 방법은 이전에는 결정론적 대리 모델로 접근할 수 없었던 영역에서 최첨단 정확도를 달성합니다. Re=1000 및 3000에서 모델은 시뮬레이션 후반까지 속도 및 자기장의 전체 스펙트럼 에너지 분포를 충실하게 재구성하여 비가우스 통계, 간헐적 구조 및 교차장 상관관계를 고충실도로 포착합니다. 극한 난류 수준(Re=10000)에서도 자기장의 고파수 진화를 복구하고, 대규모 형태를 보존하며 통계적으로 의미 있는 예측을 가능하게 하는 최초의 대리 모델입니다.
