본 논문은 복잡한 다중 스케일 물리 시스템에서 장기 진화 학습을 위한 효율적인 새로운 아키텍처를 제안합니다. 이 아키텍처는 스케일 분리의 개념에 기반하며, 시스템에서 동적으로 나타나는 다양한 스케일의 구조는 서로 국소적으로만 상호 작용합니다. 유사한 스케일의 구조는 접촉 시 직접 상호 작용하고, 더 큰 구조의 일부로 직접 상호 작용할 때 간접적으로 상호 작용합니다. 이를 통해 서로 떨어져 있는 작은 스케일 특징 간의 상호 작용을 모델링할 필요가 없으므로 다중 스케일 시스템을 효율적으로 모델링할 수 있습니다. 계층적 완전 합성곱 오토인코더는 기존처럼 단일 임베딩 계층이 아닌, 해당 해상도 수준에서 공간 정보를 보존하는 다양한 스케일의 구조를 인코딩하는 일련의 임베딩 계층으로 물리 시스템의 상태를 변환합니다. 얕은 계층은 더 미세한 그리드에서 더 작은 구조를 임베딩하고, 깊은 계층은 더 조잡한 그리드에서 더 큰 구조를 임베딩합니다. 예측기는 모든 임베딩 계층을 동기적으로 진행합니다. 다양한 스케일의 특징 간의 상호 작용은 합성곱 연산자의 조합을 사용하여 모델링됩니다. 본 논문에서는 Hasegawa-Wakatani 난류에 대한 응용 프로그램에서 기존 ResNet 아키텍처의 변형과 모델 성능을 비교합니다. 이 시스템의 중요한 통계적 특성에 대한 장기 예측 정확도가 다중으로 향상되었습니다.
