본 논문은 다양한 편미분 방정식(PDE)을 해결할 수 있는 범용 신경망 PDE 솔버인 Unisolver를 제시합니다. 기존 신경망 기반 PDE 솔버들은 특정 PDE 또는 제한된 계수 집합에 국한되어 일반화 성능이 낮았던 반면, Unisolver는 다양한 데이터로 훈련되고 다양한 PDE를 조건으로 받아들입니다. PDE 해의 기본 원리가 방정식 기호와 경계 조건과 같은 PDE 구성 요소의 연속적인 처리임을 이론적으로 분석하여, 방정식 기호, 경계 조건 등 PDE 구성 요소를 트랜스포머 모델에 도메인별 및 지점별 조건으로 유연하게 통합합니다. 이를 통해 세 가지 대규모 벤치마크에서 최첨단 성능과 일반화 성능을 달성했습니다. 코드는 GitHub에서 공개됩니다.
