본 논문은 다양한 물리 시스템을 고정밀도로 반복적으로 해결하는 새로운 신경망 최적화기인 Metamizer를 소개합니다. Metamizer는 물리 기반 손실 함수를 최소화하여 작동하며, 척도 불변 아키텍처를 활용하여 기울기 하강 업데이트를 향상시켜 수렴 속도를 높입니다. 신경망 자체가 최적화기 역할을 하므로 메타 최적화 접근 방식에 속합니다. 라플라스, 대류-확산, 비압축성 나비어-스톡스 방정식 및 천 시뮬레이션을 이용한 훈련 후, 여러 편미분 방정식에서 기존 심층 학습 기반 접근 방식을 능가하는 정확도(때로는 기계 정밀도에 근접)를 달성합니다. 더욱이, 훈련 과정에서 다루지 않은 포아송, 파동, 버거스 방정식과 같은 편미분 방정식에도 일반화됩니다. Metamizer는 재훈련 없이 빠르고 정확한 신경망 물리 시뮬레이션을 가능하게 하여 향후 수치 해석기에 큰 영향을 미칠 수 있음을 시사합니다.
