결합 유동 및 수송을 위한 과학적 기계 학습의 발전
Advances in Scientific Machine Learning for Coupled Fluid Flow and Transport
이 장에서는 비압축성 나비에-스토크(Navier-Stokes) 방정식과 스칼라 수송 방정식으로 지배되는 결합 유동 및 수송 현상을 모델링하기 위한 과학적 기계 학습(SciML)의 최신 발전 사항을 검토합니다. 혼탁류(turbidity currents)나 열 대류(thermal convection)와 같은 응용 분야에서 발견되는 이러한 시스템들은 강력한 비선형 결합과 다중 스케일(multiscale) 거동을 특징으로 하여, 고충실도(high-fidelity) 시뮬레이션에 높은 계산 비용이 듭니다. 이를 해결하기 위해 이 장에서는 효율적인 대리 모델(surrogate model)을 구축하기 위한 최첨단 SciML 방법들을 조사합니다. 여기에는 특이값 분해(Singular Value Decomposition)에 기반한 선형 차수 축소 기법(예: 동적 모드 분해(Dynamic Mode Decomposition))과 물리 정보 신경망(Physics-Informed Neural Networks, PINNs) 및 $β$-변이형 오토인코더($β$-Variational Autoencoders, $β$-VAEs)와 같은 비선형 신경망(neural network) 접근 방식이 포함됩니다. 먼저 적응형 메시 세분화/조잡화(Adaptive Mesh Refinement/Coarsening, AMR/C) 및 과학적 부동소수점 데이터 압축을 포함하여, 이러한 모델들을 고성능 컴퓨팅(High Performance Computing, HPC) 전략과 결합한 저자들의 연구 내용을 다룹니다. 그 다음 PINNs를 통한 혼탁류(turbidity currents)의 대리 모델링과 $β$-VAEs를 사용하여 열 유동(thermal flows)에서 분리된(disentangled) 비선형 모드를 추출하는 두 가지 새로운 기여를 제시합니다. 락-익스체인지 유동(lock-exchange flows) 및 레일리-베나르 대류(Rayleigh-Bénard convection)를 포함한 지배 방정식과 대표적인 벤치마크(benchmark)가 이러한 방법론들을 예시로 보여줍니다. 이 장은 결합 유동의 수학적 및 물리적 기초와 최첨단 모델링의 계산적 측면을 모두 다루고 있어 의도적으로 길게 작성되었습니다. 전반적으로, 고려된 특정 데이터 체제(data regimes) 및 모델링 가정 내에서 SciML이 복잡한 결합 시스템에 대해 전체 차수 시뮬레이션(full-order simulations)에 비해 계산 비용을 상당히 줄이면서도 빠르고 정확한 근사를 어떻게 가능하게 하는지 보여줍니다. 실시간 예측 및 불확실성 정량화(uncertainty quantification)와 같은 더 광범위한 기능들은 여전히 활발한 연구 방향이며, 그 실현 가능성은 당면한 문제에 크게 좌우됩니다.