Neural Operators · Physical Constraints · Inverse Problems · Scientific Agents

AI for Physics

AI4Physics 2026 논문군을 physics-informed learning, neural operator, surrogate simulation, inverse problem, generative physics, foundation model, simulation-to-real, active experimentation, scientific agent와 verified autonomous science의 관점에서 통합한다.

중심 명제

미래의 AI4Physics 시스템은 빠른 black-box surrogate가 아니라, governing structure와 uncertainty를 추론하고 물리제약을 만족하며 새로운 regime에서 자신의 한계를 진단하고 simulation·experiment·theory를 검증 가능한 형태로 연결하는 과학적 계산 파트너다.

99채택 논문

5구두발표

12핵심 연구축

16미래 방향

전체 연구 지형

AI4Physics는 data analysis를 넘어 dynamics recovery, physical inference, experiment control과 verified scientific agency로 확장된다.

Physics-Informed DynamicsNeural ODEPINNHamiltonianLyapunov

Neural OperatorsPDE operatorMultiresolutionLong-horizon rollout

Physics-Constrained GenerationFlow matchingDiffusionHard constraints

Surrogate SimulationFluidPlasmaMaterialsColliderCosmology

Inverse ProblemsParameter inferenceReconstructionPosterior sampling

Physics Foundation ModelsCross-system contextTime-series FMHeterogeneous simulation

Simulation-to-RealInstrument modelDomain adaptationCalibration

Scientific AgentsReasoningCodingReproductionVerification

Data-Efficient ScienceActive samplingCoresetsRare-event discovery

Symmetry & GeometryEquivarianceManifoldTransport geometry

Quantum AIQuantum controlMany-bodyPath-space regularization

Scientific SystemsSparse GPU solversDifferentiable simulationKernel acceleration

Physical Problem→Schema & Constraints→Data / Simulator→Operator / Foundation Model→Validity & UQ→Experiment / Control

Reliable AI for Physics = Physical Structure + Operator Learning + Constraint Preservation + Calibrated Inference + Regime Transfer + Executable Verification

Definition

AI4Physics의 공통 개념과 물리적 신뢰성 기준을 정리한다.

AI for Physics

Representation, simulation, inference, control, experiment와 scientific reasoning을 AI로 지원하거나 자동화하는 연구영역이다.

Physics-Informed Machine Learning

Data fit뿐 아니라 PDE residual, boundary condition, invariant, symmetry와 conservation을 loss 또는 architecture에 포함한다.

Neural Operator

유한차원 벡터가 아니라 함수공간 사이의 연산자를 학습해 다양한 initial condition과 coefficient에 대한 solution field를 예측한다.

Surrogate Simulator

고비용 numerical simulator를 근사하되 conservation, stability, uncertainty와 regime transfer를 만족해야 한다.

Generative Physics Model

하나의 deterministic solution 대신 physical state 또는 trajectory의 조건부 분포를 학습한다.

Physics Foundation Model

여러 물리시스템과 task에 재사용 가능한 dynamics prior를 대규모 simulation·observation에서 사전학습한 모델이다.

Inverse Problem

관측과 forward process에서 원인, parameter, field 또는 structure를 복원하는 문제다.

Simulation-Based Inference

Likelihood 계산이 어렵지만 simulator sample이 가능한 경우 neural posterior를 학습한다.

Physical World Model

현재 physical state와 intervention에서 미래상태를 예측하며 unit, causality, conservation과 uncertainty propagation을 보존한다.

Scientific Agent

논문, code, symbolic algebra, simulator와 data-analysis tool을 사용해 scientific workflow를 실행하고 검증한다.

Equivariance와 Invariance

회전, 병진, permutation, Lorentz와 gauge symmetry 아래 model output과 representation이 적절히 변환되거나 보존된다.

Physical Validity

Output이 governing equation, boundary, equality·inequality constraint, symmetry와 stability 조건을 만족하는 정도다.

Problem Definition

Dynamics recovery, long-horizon stability, partial observation, sim-to-real, rare event와 agent correctness의 간극을 정의한다.

Data-Fit–Dynamics-Recovery Gap

Training trajectory를 잘 맞추는 것과 실제 vector field와 governing dynamics를 복원하는 것은 다르다.

Short-Horizon–Long-Horizon Gap

One-step prediction error가 작아도 반복 rollout에서 phase, energy, spectrum과 attractor가 붕괴할 수 있다.

Soft-Constraint–Hard-Validity Gap

Physics penalty는 위반량을 줄이지만 정확한 constraint satisfaction을 보장하지 않는다.

Equality–Inequality Constraint Gap

Conservation equality뿐 아니라 positivity, entropy, invariant interval 같은 inequality를 함께 만족해야 한다.

Complete-Data–Partial-Observation Gap

실제 실험에서는 coefficient와 solution field를 완전하게 관측하기 어렵다.

Discretization and Resolution Gap

Coarse-grid model이 fine-grid subscale detail과 새로운 mesh로 안정적으로 transfer되지 않을 수 있다.

Simulation-to-Real Gap

Noise, instrument response, selection effect, missing physics와 calibration error가 simulation과 observation을 분리한다.

Generative Distribution–Unique Solution Gap

Well-posed PDE는 해가 유일하지만 generative model은 불필요하게 넓은 solution distribution을 만들 수 있다.

Realism–Controllability Gap

Observation realism을 높이면 simulator identity와 scenario controllability가 감소할 수 있다.

Rare-Event Sampling Gap

Metastable transition과 failure event는 일반 simulation에서 거의 관측되지 않는다.

Physical Accuracy–Computational Cost Gap

DFT, CFD, plasma와 quantum simulation은 정확하지만 비싸고 surrogate는 빠르지만 systematic bias를 가진다.

Scientific-Agent Fluency–Correctness Gap

실행 가능한 code와 설득력 있는 설명이 물리적으로 정확하다는 보장은 없다.

Benchmark-Correctness–Scientific-Honesty Gap

Test 통과와 scientific operator의 충실한 구현은 다르며 shortcut과 derivative omission을 감사해야 한다.

Core Concepts

Physical inductive bias, hard constraint, stability, geometry, uncertainty와 verification loop의 공통원리를 정리한다.

Physics as Inductive Bias

물리법칙은 사후검사가 아니라 hypothesis space를 축소하는 inductive bias로 사용된다.

Hard Constraint Hierarchy

No constraint, soft penalty, projection, hard parameterization, hybrid exact solver 순으로 제약 강도가 증가한다.

Continuous-Time Latent Dynamics

Discrete step predictor 대신 latent ODE를 학습해 irregular time, variable step과 analytic stability를 지원한다.

Lyapunov Stability

Scalar energy가 시간에 따라 증가하지 않도록 latent generator를 구조화한다.

Semigroup Consistency

Autonomous evolution operator가 Φ(t+s)=Φ(t)∘Φ(s)를 만족하는지 진단한다.

Equivariant Representation

Symmetry group의 action을 representation과 output에 일관되게 반영한다.

Transport Geometry

Rare-event pathway와 metastable transition을 dynamics가 유도한 비유클리드 geometry에서 표현한다.

Amortized Simulation and Inference

반복되는 numerical solve와 posterior sampling을 one-time training과 fast inference로 전환한다.

Uncertainty Decomposition

Measurement, model, simulator, numerical, OOD와 selection uncertainty를 분리한다.

Posterior Predictive Checking

Posterior sample을 forward simulator에 다시 넣어 observation과 일치하는지 확인한다.

Active Data Acquisition

정보량과 diversity가 높은 simulation·experiment 후보를 제한된 budget 안에서 선택한다.

Scientific Verification Loop

Assumption, dimension, symbolic derivation, executable simulation, invariant와 independent critic을 연결한다.

Introduction

AI4Physics는 data analysis에서 neural operator, foundation model, scientific agent와 verified autonomous science로 발전한다.

Stage 1 — Physics Data Analysis

이미 생성된 실험·simulation data를 분류·회귀한다.

Stage 2 — Physics-Informed Prediction

PDE residual, symmetry와 conservation을 loss에 추가한다.

Stage 3 — Neural Operator·Surrogate Simulation

Function-to-function mapping으로 numerical solver를 빠르게 근사한다.

Stage 4 — Generative Physics·Inverse Inference

Diffusion·flow·posterior model로 sparse observation에서 가능한 physical state를 생성한다.

Stage 5 — Physics Foundation Models

여러 equation, geometry, scale과 modality에 재사용 가능한 dynamics prior를 학습한다.

Stage 6 — Scientific Agents

LLM과 agent가 literature retrieval, coding, simulation, inference와 hypothesis revision을 수행한다.

Stage 7 — Verified Autonomous Science

AI가 실험을 선택하고 physical certificate와 uncertainty를 제공하며 human scientist가 최종 판단한다.

Motivation and Background

고비용 simulation, 불완전 관측, 장기안정성, 강한 물리 prior와 scientific accountability가 연구를 촉진한다.

정밀 Simulation은 매우 비쌈

고해상도 CFD, quantum chemistry, plasma와 cosmology simulation은 parameter sweep과 real-time control을 어렵게 한다.

실제 관측은 불완전함

Sensor는 sparse하고 noisy하며 일부 physical field와 latent parameter는 직접 측정할 수 없다.

장기 안정성이 단기 정확성보다 중요

One-step RMSE가 낮아도 수천 step 뒤 energy, phase, bifurcation과 attractor가 잘못될 수 있다.

Physics에는 강한 구조 Prior가 존재

Symmetry, conservation, dimensional consistency와 governing equation을 무시하면 불필요한 data와 parameter가 필요하다.

Simulation과 Experiment의 차이도 모델링 대상

Domain adaptation은 simulator identity와 observational realism 사이의 multi-objective 문제다.

Scientific Agent에는 더 높은 기준이 필요

답변의 자연스러움이 아니라 재현 가능한 code, 물리적 diagnostics, uncertainty와 provenance가 필요하다.

Challenges

Sparse observation, long-horizon drift, hard constraints, sim-to-real, uncertainty, scientific agent와 systems efficiency가 핵심 난제다.

도전과제	핵심 문제	요구되는 방향
Sparse observation	Complete physical field 확보 불가	Masked·ambient learning
Long-horizon rollout	Local error 누적으로 drift 발생	Stability-constrained dynamics
Hard constraints	Soft penalty가 정확한 만족을 보장하지 않음	Projection·analytic parameterization
Inequality constraints	Positivity·entropy 조건 누락	Active-set·barrier·Frank–Wolfe
Resolution transfer	Coarse model이 subgrid detail을 잃음	Algebraic correction·multiscale operator
Geometry transfer	새로운 mesh·shape에서 실패	Geometry-aware operator
Simulation-to-real	Instrument·noise·selection mismatch	Domain adaptation·discrepancy model
Rare events	직접 simulation으로 거의 관측되지 않음	Biased sampling·transport geometry
Stiff dynamics	빠른·느린 scale이 동시에 존재	Implicit·multirate hybrid solver
Conservation	Mass·energy·momentum drift	Hard conservation layer
Chaotic dynamics	작은 초기오차가 빠르게 증폭	Ensemble·distributional forecast
Inverse ill-posedness	여러 parameter가 동일 observation 생성	Calibrated posterior
Foundation generalization	다른 equation·domain transfer 부족	Cross-physics context learning
Uncertainty	Model·simulator·measurement error 혼합	Decomposed UQ
Agent hallucination	실행되지만 틀린 scientific code	Independent executable verification
Benchmark realism	Toy problem이 실제 workflow를 반영하지 못함	Paper-derived end-to-end tasks
Computational efficiency	Constraint projection과 autodiff가 비쌈	Sparse GPU solver·custom kernels
Dataset heterogeneity	Mesh·topology·metadata 형식이 다름	Unified physics data model
Human–AI interaction	Critique가 항상 성능을 높이지 않음	Pairing-aware critic protocol
Physical interpretability	높은 정확도의 internal mechanism 불명확	Mechanistic probes·symbolic summaries

Research Questions

Dynamics recovery, hard constraints, cross-equation generalization, inverse identifiability, verified agents와 scientific discovery를 중심으로 정리한다.

RQ1

Data fitting과 실제 governing dynamics 복원을 어떻게 구분할 것인가?

RQ2

One-step error가 아닌 long-horizon physical failure를 조기에 예측할 수 있는가?

RQ3

어떤 물리법칙은 architecture에 hard-code하고 어떤 것은 data에서 학습해야 하는가?

RQ4

Equality와 inequality constraint를 효율적으로 동시에 강제할 수 있는가?

RQ5

Complete training observation 없이 forward·inverse PDE operator를 학습할 수 있는가?

RQ6

Neural operator가 다른 resolution, mesh, geometry와 equation으로 zero-shot transfer할 수 있는가?

RQ7

하나의 Physics Foundation Model이 fluid, solid, thermal, wave와 multiphase dynamics를 공통 representation으로 처리할 수 있는가?

RQ8

Generative PDE model이 exact solution을 생성한다는 certificate를 제공할 수 있는가?

RQ9

Simulation realism과 controllability 사이의 Pareto frontier를 어떻게 측정할 것인가?

RQ10

Rare-event geometry를 학습하면서 exact kinetics와 sampling bias를 구분할 수 있는가?

RQ11

Scientific foundation model의 uncertainty를 Bayesian optimization과 experiment selection에 어떻게 연결할 것인가?

RQ12

Simulation-to-real transfer에서 physical invariant가 domain-invariant representation 역할을 할 수 있는가?

RQ13

LLM scientific agent가 자신이 작성한 code의 silent physical error를 탐지할 수 있는가?

RQ14

Critic–actor dialogue는 어떤 model pairing과 feedback strategy에서 실제로 유용한가?

RQ15

Physics benchmark는 답의 정확성뿐 아니라 implementation honesty와 reproducibility를 어떻게 평가해야 하는가?

RQ16

AI가 발견한 equation, Hamiltonian, invariant와 summary statistic을 인간이 검증 가능한 형태로 변환할 수 있는가?

Approaches / Methods

대표 연구를 dynamics, operator, constraint, generation, rare event, foundation model, inverse problem, control, quantum, agent와 systems 기준으로 필터링해 탐색할 수 있다.

dynamics

MPINeuralODE

Multiple initial condition과 multiple-shooting curriculum으로 state-space support를 넓히고 physics residual로 vector field를 고정한다.

partial

Ambient Physics

관측된 점 일부를 다시 masking해 complete field 없이 coefficient–solution joint distribution을 학습한다.

generation

FlowPDE

PDE condition을 입력으로 하는 flow-matching neural operator로 exact solution 또는 posterior distribution을 생성한다.

constraint

SOLENO

Poloidal flux를 예측한 뒤 analytic solenoidal decoder로 divergence-free magnetic field를 구성한다.

constraint

CC-FNO

Fourier-space Leray projection으로 velocity field를 divergence-free subspace에 hard projection한다.

constraint

I-PCFM

Slack, barrier, active-set projection, Frank–Wolfe guidance로 equality·inequality feasibility를 공동최적화한다.

systems

SNAP-FM

Block-sparse Jacobian과 KKT structure를 GPU sparse nonlinear optimization으로 가속한다.

dynamics

NIGO

Skew-symmetric transport와 negative-semidefinite dissipation으로 continuous-time latent energy 안정성을 보장한다.

rare

Rare-Event Transport Geometry

Reactive trajectory cloud에서 implicit manifold diffusion을 학습해 dominant transition corridor를 탐색한다.

active

Quality-Weighted DPP

Diversity와 representativeness를 결합해 제한된 DFT labeling budget에서 sample-efficient coreset을 선택한다.

foundation

GPhyT

Heterogeneous simulation context에서 governing dynamics를 추론하고 unseen physical system을 roll out한다.

inverse

GEMS

Valid molecular seed에서 valence-preserving local edit와 forward spectrum score로 molecule hypothesis를 탐색한다.

sim2real

VLBI Jet Morphology

Relativistic ray tracing과 interferometric reconstruction을 포함한 synthetic data에서 실제 observation으로 domain adaptation한다.

control

Learning to Trigger

LHC trigger threshold를 streaming RL control 문제로 정식화하고 background-rate constraint를 유지한다.

quantum

QMaxCal

Continuous measurement trajectory distribution 사이의 KL divergence로 decoherence 영향을 path space에서 regularize한다.

agent

SCALAR

Actor–critic multi-turn dialogue와 independent judge로 physics derivation을 개선한다.

agent

QMP-Bench

실제 quantum many-body 논문 기반 end-to-end coding·simulation reproduction task를 평가한다.

agent

SciKernelBench

Gradient, Jacobian, Laplacian과 residual kernel을 correctness, speed, implementation honesty로 평가한다.

data

PLAID

Geometry, mesh, topology, solver metadata를 보존하는 unified physics data layer를 제공한다.

timeseries

StarEmbed

Irregular variable-star light curve에서 time-series foundation model의 clustering, classification, OOD 성능을 평가한다.

Key Applications

PDE, collider, astrophysics, materials, quantum, experiment control와 scientific coding에 적용된다.

PDE·유체·플라스마 Simulation

Navier–Stokes, Burgers, Darcy, shallow water, reaction–diffusion, multiphase flow, plasma equilibrium와 seismic wave.

High-Energy Physics

Collider trigger control, jet tagging, detector simulation, particle graphs, quark–gluon plasma와 event anomaly detection.

천체물리·우주론

Variable-star light curve, pulsar inference, supernova equation discovery, lensing, microlensing, CMB와 cosmology.

재료·화학·분자

DFT surrogate, crystal property, spectra, interatomic potential, microscopy, thin-film·photonic inverse design와 molecular identification.

Quantum Science

Many-body simulation, quantum control, neural quantum state, mean-field game, variational model와 formal quantum reasoning.

Experimental Control

Collider triggering, beam optimization, tokamak reconstruction, RF filter, MRI protocol와 accelerator operation.

Scientific Coding·AI Scientist

PDE kernel generation, derivation, simulation reproduction, model fitting, hypothesis critique와 paper-to-code workflow.

Open Problems

Universal physics model, cross-equation transfer, long-horizon certificate, uncertainty, scientific honesty와 accountability를 해결해야 한다.

Universal Physics Foundation Model

서로 다른 field, equation, scale, geometry와 discretization을 하나의 representation으로 연결할 수 있는지 불명확하다.

Physics Tokenization

Mesh, particle, field, boundary, equation, unit와 metadata를 공통 token으로 표현하는 표준이 없다.

Cross-Equation Generalization

한 PDE family에서 학습한 model이 새로운 governing equation으로 일반화하는 조건이 알려지지 않았다.

Constraint Completeness

알려진 constraint를 모두 만족해도 누락된 물리법칙 때문에 비현실적 solution이 생성될 수 있다.

Long-Horizon Certificate

유한 validation horizon 이후에도 안정적임을 보장하는 실용적 certificate가 부족하다.

Chaotic-System Evaluation

Trajectory-wise error 대신 invariant measure와 statistical observable 중심 평가가 필요하다.

Partial-Observation Identifiability

Sparse measurement에서 어떤 parameter와 field가 실제로 식별 가능한지 model이 판단해야 한다.

Simulation-Measurement Discrepancy

Simulator error와 observation noise를 분리하지 못하면 posterior confidence가 잘못된다.

Rare-Event Kinetics

Transition corridor를 찾는 것과 정확한 transition rate를 복원하는 것은 다르다.

Multiscale Coupling

Microscopic model과 continuum model을 하나의 learned simulator에서 안정적으로 연결하기 어렵다.

Resolution·Mesh Independence

Grid뿐 아니라 topology와 geometry 변화에 대한 transfer가 충분히 해결되지 않았다.

Physical Uncertainty Calibration

Prediction interval이 conservation violation과 OOD risk까지 포함해야 한다.

Scientific-Agent Self-Diagnosis

Agent가 잘못된 code와 posterior를 스스로 발견하지 못하는 silent failure가 남아 있다.

Critic Independence

같은 model family의 actor와 critic이 동일한 misconception을 공유할 수 있다.

Implementation Honesty

Generated code가 hidden reference path, high-level autograd와 hard coding을 재사용하는지 감사해야 한다.

Dataset Standardization

Geometry, mesh, solver, boundary, unit와 fidelity metadata의 공통표준이 부족하다.

Benchmark Contamination

Physics problem과 solution code가 foundation-model pretraining에 포함되었을 가능성을 평가해야 한다.

Energy and Hardware Cost

대규모 physics FM 학습비용이 절약하는 simulation 비용보다 클 수 있다.

Human Accountability

AI가 생성한 theory, simulation과 experiment decision의 책임범위를 정해야 한다.

Discovery versus Emulation

기존 simulator를 빠르게 모방하는 능력과 새로운 physical law를 발견하는 능력을 구분해야 한다.

Future Directions

미래 AI4Physics는 physics OS, schema compiler, hybrid solvers, validity certificate, digital twin과 verified agents로 발전한다.

1. Physics Foundation Operating System

Problem specification, equation·unit·geometry compiler, simulator registry, model router, constraint solver와 OOD audit을 통합한다.

2. Physics Schema Compiler

자연어·code·mesh·equation을 state variable, unit, domain, boundary, operator, invariant와 observation model로 변환한다.

3. Hybrid Neural–Numerical Solvers

Neural initialization, preconditioner, closure, subgrid correction과 exact projection을 classical solver에 삽입한다.

4. Physical Validity Certificate

PDE residual, boundary residual, conservation drift, stability, symmetry, OOD, uncertainty와 convergence를 함께 보고한다.

5. Adaptive-Fidelity Simulation

문제 난이도와 uncertainty에 따라 surrogate, coarse solver와 high-fidelity solver를 자동선택한다.

6. Causal Physical World Models

Correlation rollout이 아니라 intervention과 control action의 결과를 구조적으로 학습한다.

7. Active Physics Data Acquisition

Expected scientific information을 simulation·experiment cost로 나눠 고가치 측정점을 선택한다.

8. Multimodal Physics Tokens

Field, mesh, particle, equation, image, spectrum와 text를 공통 context에서 처리한다.

9. Verified Scientific Agent

Literature, dimension audit, theory, code, independent simulation, invariant check와 human approval을 연결한다.

10. Scientific Benchmark Ladder

Closed-form reasoning에서 real-world autonomous control까지 단계별 난이도로 평가한다.

11. Unified Physics Data Layer

Mesh, topology, solver version, precision, boundary, fidelity, sensor, provenance와 failed simulation을 표준화한다.

12. Physics Digital Twin

실시간 observation으로 latent state와 parameter posterior를 갱신하고 forecast·control·counterfactual을 제공한다.

13. Pathwise Constraint Learning

Final output뿐 아니라 trajectory 전체에서 equality·inequality constraint를 만족한다.

14. Uncertainty Budgeting

Measurement, model, simulator, numerical과 OOD uncertainty를 분해해 decision risk에 연결한다.

15. AI–Scientist Collaboration Protocol

문제정식화, 모델링, 계산, 검증, 실험과 보고 단계에서 AI와 인간의 책임을 명시한다.

16. Open Physics Foundation Models

Weight뿐 아니라 training simulation registry, equation coverage, failure regime, constraint와 calibration을 공개한다.

Conclusion

AI4Physics는 point prediction에서 governing structure recovery와 verified scientific partnership로 연구중심을 이동시킨다.

Point Prediction → Dynamics Recovery

Training sample을 맞추는 것보다 governing vector field, operator와 invariant를 복원하는 것이 중요하다.

Soft Physics → Constraint-Preserving Architecture

Penalty tuning보다 analytic parameterization, projection과 constrained optimization이 강조된다.

Short-Horizon Accuracy → Long-Horizon Stability

Lyapunov stability, semigroup consistency, conservation drift와 bifurcation preservation이 주요 평가기준이 된다.

Complete Data → Partial Observation Learning

완전한 field 없이 masked observation과 generative prior로 forward·inverse operator를 학습한다.

Task-Specific Surrogate → Physics Foundation Model

서로 다른 equation과 geometry에서 context로 dynamics를 추론하는 범용 model이 연구된다.

Deterministic Solver → Generative·Posterior Simulator

Sparse observation과 uncertainty가 있을 때 calibrated physical distribution을 생성한다.

Simulation Emulation → Experiment·Control

Collider triggering, quantum control과 inverse design처럼 model이 실제 scientific action을 선택한다.

Fluent Assistant → Verified AI Scientist

성능은 설명의 자연스러움이 아니라 code, simulation, invariant와 posterior를 독립적으로 검증하는 능력으로 평가된다.

AI4Physics 2026의 핵심은 더 큰 neural surrogate를 만드는 데 있지 않다. 물리구조, 제약, uncertainty, numerical analysis와 executable verification을 하나의 계산흐름으로 결합해 AI가 새로운 regime에서도 신뢰 가능한 과학적 판단을 하게 만드는 데 있다.

Sources

공식 워크숍, PDE·operator, foundation model, inverse problem, control, quantum와 scientific agent 원문 링크.