Score-based diffusion models have conquered image generation. They produce photorealistic images by learning to reverse a noise-corruption process—starting from pure noise and iteratively removing it to reveal structured content. The mathematical core of this process is a stochastic differential equation (SDE) that defines the noise schedule, and a learned "score function" that guides the reverse process toward the data distribution.

This connection between diffusion models and SDEs is not merely a mathematical convenience—it is a bridge between generative AI and scientific computing under uncertainty. Stochastic partial differential equations (SPDEs) are the mathematical language for modeling physical systems where uncertainty is intrinsic: turbulent fluid dynamics, porous media flow, weather and climate, population dynamics, and financial markets. Solving SPDEs is computationally expensive because it requires sampling from high-dimensional probability distributions over space-time fields.

Huynh et al. propose using score-based diffusion models to learn SPDE solutions adaptively—building a generative model that can produce samples from the solution distribution at any time step, updated as new observations arrive. This converts the SPDE solution problem into a sequential generative modeling problem, leveraging the same machinery that generates images to generate physics.

The Framework: Recursive Bayesian Inference via Diffusion

The system operates within a recursive Bayesian inference framework:

Traditional approaches (Ensemble Kalman Filter, particle filters) implement this loop with explicit sample sets that become computationally prohibitive for high-dimensional SPDEs. Huynh et al. replace the explicit sample set with a score-based diffusion model that implicitly represents the solution distribution—and can generate samples on demand.

The advantage is that the diffusion model's representational capacity scales gracefully with the dimension of the solution space. A traditional particle filter with N particles provides O(N) resolution of the distribution; a score-based model with a fixed-size neural network can represent arbitrarily complex distributions.

Financial Time Series: Geometry Meets Generation

Kim et al. apply a related insight to a specific domain: financial time series generation via geometric Brownian motion (GBM). Standard diffusion models treat price trajectories as generic numerical sequences and add isotropic Gaussian noise during the forward process. This ignores the domain knowledge that stock prices are positive, multiplicative, and well-described by GBM—the foundation of the Black-Scholes option pricing theory.

By using GBM as the forward noising process (rather than isotropic Gaussian noise), the model incorporates financial domain knowledge directly into its generative process. The result: generated price trajectories that better capture the stylized facts of real financial data—heavy tails, volatility clustering, mean reversion—because the generative process is geometrically appropriate for the data domain.

This is a specific instance of a general principle: matching the SDE of the diffusion process to the SDE of the physical system produces better generative models than using generic noise processes. The principle extends to any domain where the data-generating process is governed by known SDEs.

Claims and Evidence

Open Questions

What This Means for Your Research

For computational mathematicians, the connection between generative AI and SPDE solutions is a bridge between two communities that have historically developed independently. The diffusion model community brings scalable architecture design and efficient sampling algorithms; the SPDE community brings rigorous problem formulations and error analysis frameworks.

For financial engineers, the GBM-diffusion model (Kim et al.) provides a generative framework for financial time series that is both theoretically grounded (respecting the geometric structure of price processes) and practically flexible (generating diverse scenarios for risk management and stress testing).

For the broader scientific computing community, score-based approaches to uncertainty quantification offer a path beyond the "curse of dimensionality" that limits traditional Monte Carlo methods for high-dimensional stochastic systems. The approach is nascent—but the potential for computational efficiency gains in climate modeling, materials science, and fluid dynamics is substantial.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 특정 연구 결과, 통계 및 주장은 학술 연구에서 인용하기 전에 원본 논문과 대조하여 검증해야 한다.

확률적 편미분방정식을 위한 스코어 기반 확산: 생성 모델이 불확실성 하에서 물리학을 학습할 때

스코어 기반 확산 모델(score-based diffusion model)은 이미지 생성 분야를 정복하였다. 이 모델은 노이즈 손상 과정을 역전시키는 방법을 학습함으로써 사실적인 이미지를 생성한다. 즉, 순수한 노이즈에서 시작하여 반복적으로 노이즈를 제거해 구조화된 콘텐츠를 드러낸다. 이 과정의 수학적 핵심은 노이즈 스케줄을 정의하는 확률 미분 방정식(SDE, stochastic differential equation)과, 역 과정을 데이터 분포 방향으로 안내하는 학습된 "스코어 함수(score function)"이다.

확산 모델과 SDE 사이의 이러한 연결은 단순한 수학적 편의가 아니라, 생성형 AI와 불확실성 하의 과학적 계산 사이를 잇는 다리이다. 확률적 편미분방정식(SPDE, stochastic partial differential equation)은 불확실성이 본질적으로 내재된 물리 시스템을 모델링하기 위한 수학적 언어이다. 여기에는 난류 유체 역학, 다공성 매체 흐름, 기상 및 기후, 개체군 동역학, 금융 시장 등이 포함된다. SPDE를 푸는 것은 시공간 장(field)에 대한 고차원 확률 분포에서 샘플을 추출해야 하므로 계산 비용이 매우 크다.

Huynh 등은 스코어 기반 확산 모델을 활용하여 SPDE 해를 적응적으로 학습할 것을 제안한다. 즉, 새로운 관측값이 도착할 때마다 갱신되면서 임의의 시간 단계에서 해 분포의 샘플을 생성할 수 있는 생성 모델을 구축한다. 이를 통해 SPDE 풀이 문제는 순차적 생성 모델링 문제로 전환되며, 이미지를 생성하는 것과 동일한 메커니즘을 활용하여 물리량을 생성한다.

프레임워크: 확산을 통한 재귀적 베이즈 추론

이 시스템은 재귀적 베이즈 추론(recursive Bayesian inference) 프레임워크 내에서 작동한다:

전통적인 접근법(앙상블 칼만 필터, 입자 필터)은 이 루프를 명시적인 샘플 집합으로 구현하는데, 고차원 SPDE에서는 계산 비용이 급격히 증가한다. Huynh 등은 명시적 샘플 집합을 스코어 기반 확산 모델로 대체하여 해 분포를 암묵적으로 표현하고, 필요에 따라 샘플을 생성할 수 있도록 한다.

이 방식의 장점은 확산 모델의 표현 능력이 해 공간의 차원에 따라 자연스럽게 확장된다는 점이다. N개의 입자를 사용하는 전통적인 입자 필터는 분포에 대해 O(N) 해상도를 제공하는 반면, 고정 크기의 신경망을 사용하는 스코어 기반 모델은 임의로 복잡한 분포를 표현할 수 있다.

금융 시계열: 기하학과 생성의 만남

Kim 등은 이와 유사한 통찰을 특정 도메인인 기하 브라운 운동(GBM, geometric Brownian motion)을 통한 금융 시계열 생성에 적용한다. 표준 확산 모델은 가격 경로를 일반적인 수치 시퀀스로 취급하여 순방향 과정에서 등방성 가우시안 노이즈를 추가한다. 이는 주가가 양수이고 승법적이며 GBM으로 잘 설명된다는 도메인 지식, 즉 Black-Scholes 옵션 가격 결정 이론의 토대를 무시하는 것이다.

등방성 가우시안 노이즈 대신 GBM을 순방향 노이즈 추가 과정으로 사용함으로써, 모델은 금융 도메인 지식을 생성 과정에 직접 통합한다. 그 결과, 생성된 가격 경로는 실제 금융 데이터의 정형화된 사실(stylized facts)인 두꺼운 꼬리(heavy tail), 변동성 군집(volatility clustering), 평균 회귀(mean reversion)를 더 잘 포착한다. 이는 생성 과정이 데이터 도메인에 기하학적으로 적합하기 때문이다. 이는 일반 원리의 특정 사례이다: 확산 과정의 SDE를 물리 시스템의 SDE와 일치시키는 것은 일반적인 노이즈 과정을 사용하는 것보다 더 나은 생성 모델을 만들어낸다. 이 원리는 데이터 생성 과정이 알려진 SDE에 의해 지배되는 모든 도메인으로 확장된다.

주장과 근거

미해결 질문

연구에 대한 시사점

계산 수학자들에게, 생성형 AI와 SPDE 해 사이의 연결은 역사적으로 독립적으로 발전해온 두 커뮤니티를 잇는 다리이다. 확산 모델 커뮤니티는 확장 가능한 아키텍처 설계와 효율적인 샘플링 알고리즘을 가져오고, SPDE 커뮤니티는 엄밀한 문제 공식화와 오차 분석 프레임워크를 가져온다.

금융 엔지니어들에게, GBM-확산 모델(Kim 등)은 이론적으로 기반이 확실하고(가격 과정의 기하학적 구조를 존중) 실용적으로 유연한(리스크 관리 및 스트레스 테스트를 위한 다양한 시나리오 생성) 금융 시계열 생성 프레임워크를 제공한다.

더 넓은 과학 계산 커뮤니티에게, 불확실성 정량화에 대한 스코어 기반 접근법은 고차원 확률 시스템에 대한 전통적인 몬테카를로 방법을 제한하는 "차원의 저주"를 넘어서는 경로를 제공한다. 이 접근법은 아직 초기 단계이지만, 기후 모델링, 재료 과학, 유체 역학에서 계산 효율성 향상의 잠재력은 상당하다.