본 논문은 경계 조건 데이터만으로 물리 법칙을 직접 학습하여 보편적인 물리 시뮬레이션을 수행하는 최초의 기초 AI 모델을 제시한다. 기존의 PINN(Physics-Informed Neural Networks)이나 유한 차분법은 지배 방정식의 명시적인 수학적 공식화가 필요하여 일반화 및 발견 가능성이 제한적이다. 본 연구에서는 스케치로 안내되는 확산 트랜스포머 방식을 사용하여 시뮬레이션을 조건부 생성 문제로 재해석한다. 공간 경계 조건이 물리적으로 정확한 정상 상태 해의 합성을 안내하는 것이다. 향상된 확산 트랜스포머 아키텍처와 새로운 공간 관계 인코딩을 활용하여 다양한 물리 영역으로 일반화 가능한 직접적인 경계-평형 매핑을 달성한다. 반복적인 오류 누적을 피하고, SSIM > 0.8을 유지하면서 서브픽셀 경계 정확도를 유지하며 정상 상태 해를 직접 생성한다. 데이터 기반 접근 방식을 통해 LRP(Layer-wise Relevance Propagation)를 이용하여 분석 가능한 학습된 표현을 통해 미리 정해진 수학적 제약 없이 물리적 관계를 드러내어 물리 발견을 가능하게 한다. AI 가속 물리학에서 AI 발견 물리학으로의 패러다임 전환을 나타내며, 최초의 진정한 보편적 물리 시뮬레이션 프레임워크를 구축한다.
