본 논문에서는 편미분 방정식으로 지배되는 시공간 시스템의 시뮬레이션에서 기존 수치 방법의 높은 계산 비용과 기계 학습 기반 방법의 장기 예측 오류 누적 문제를 해결하기 위해, 다중 스케일 데이터를 효과적으로 활용하는 새로운 다중 스케일 학습 프레임워크인 Physics-Informed Multi-Scale Recurrent Learning (PIMRL)을 제안합니다. PIMRL은 미시적 스케일 모듈과 거시적 스케일 모듈로 구성되며, 미시적 스케일 모듈은 물리적 지식을 신경망에 포함시키고, 거시적 스케일 모듈은 잠재 공간에서 물리의 시간적 진화를 학습합니다. 다섯 개의 벤치마크 데이터셋에 대한 실험 결과, PIMRL은 RMSE와 MAE 평가 지표에서 평균 9% 이상, 최대 80%까지 성능 향상을 보이며 최첨단 성능을 달성함을 보여줍니다.
