본 논문은 항공우주 및 철도 공학 등 실세계 시스템의 물리적 현상을 기술하는 편미분 방정식(PDE)에 대한 강건한 해를 추정하는 문제를 다룬다. 최근 신경망 기반 PDE 솔버와 같은 딥러닝 아키텍처가 신뢰할 수 있는 해법으로 주목받고 있지만, 정확도 향상에만 초점을 맞춰 과도한 연산으로 인한 탄소 배출량 증가 문제는 간과되어 왔다. 본 논문은 다양한 PDE 솔버에 대한 탄소 배출량 측정 기준인 EcoL2를 제시한다. EcoL2는 데이터 수집, 모델 학습 및 배포 전반에 걸쳐 모델 정확도와 배출량을 균형 있게 고려한다. 물리 정보 머신러닝 및 연산자 학습 아키텍처를 이용한 실험을 통해 EcoL2가 모델 성능과 배출 비용을 종합적으로 평가하는 지표임을 보여준다. 향후 대규모 배포되는 솔버의 경우, EcoL2는 장기적인 환경 영향을 줄이면서 성능이 우수한 과학적 머신러닝 시스템 구축을 위한 한 걸음이 될 것이다.
