본 논문은 편미분 방정식으로 지배되는 시공간 시스템의 시뮬레이션에 있어 기존 수치 해석법의 높은 계산 비용 문제와 기계 학습 기반 방법의 장기 예측 오류 누적 문제를 해결하기 위해, 다중 스케일 데이터를 효과적으로 활용하는 새로운 다중 스케일 학습 프레임워크인 PIMRL(Physics-Informed Multi-Scale Recurrent Learning)을 제안합니다. PIMRL은 미시적 스케일 모듈(물리적 지식을 사전 훈련을 통해 신경망에 포함)과 거시적 스케일 모듈(잠재 공간에서 물리적 시간적 진화 학습)로 구성되며, 1~3차원의 다섯 가지 벤치마크 데이터셋에서 기존 최고 성능을 능가하는 결과(RMSE 및 MAE 평균 9% 이상 향상, 최대 80% 향상)를 보였습니다.
