PyTorchKR Papers

최신 논문

총 116편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.16082v1physics.flu-dyn

미분 가능 CFD를 통한 자율 난류 모델 발견을 위한 기울기 인지 AI 에이전트

Gradient-Aware AI Agents for Autonomous Turbulence Model Discovery via Differentiable CFD

난류 모델링은 폐쇄 형태, 물리적 입력, 조정 가능한 매개변수에 대한 인간의 선택에 의존한다. 폐쇄 모델을 사후적으로 학습하는 것은 길고 혼돈적인 롤아웃을 통과하는 기울기가 있어야만 효율적인데, 이를 제공하는 솔버는 드물다. 따라서 대부분의 사후적 접근법은 기울기 없는 최적화에 의존하며, 거의 모두 폐쇄 형태를 미리 고정하고 매개변수만 학습한다. 본 연구에서는 폐쇄 모델 발견을 이중 수준 문제로 설정하는 기울기 인지 에이전트 프레임워크를 제안한다. 다중 에이전트 대규모 언어 모델(LLM) 시스템이 폐쇄 형태를 탐색하고, GPU 네이티브 미분 가능 전산 유체 역학(CFD) 솔버가 기울기를 제공하여, 미분 가능한 사후 학습을 자율 AI 에이전트의 행동으로 만든다. 각 제안에 대해 에이전트는 해석적, 신경망, 또는 하이브리드 폐쇄 모델을 솔버에 내장하고, 미분 가능한 목적함수를 구현하며, 기울기 경로를 검증하여 미분 가능한 학습 프로그램을 구성한다. 이후 폐쇄 모델을 평가할지, 매개변수 민감도를 계산할지, 사후적으로 학습할지 결정하고, 최적화 설정을 선택하며, 시뮬레이션 결과와 반환된 기울기를 이용해 이후 제안을 수정한다. 절단된 시간 구간의 기울기는 수만 개의 매개변수를 가진 폐쇄 모델에 대해 혼돈 동역학 하에서도 이러한 학습을 사용할 수 있게 한다. 시연에는 2차원 난류에서의 소산 법칙 및 격자 이하 규모 폐쇄 모델 발견과 3차원 채널 유동의 대와동 모사를 위한 벽 모델 발견이 포함된다. 기울기 기반 학습으로 에이전트는 동일한 예산 내에서 순방향 평가만으로는 도달하지 못하는 기준 계수를 복원하고, 목표 기준 통계와의 일치를 향상시키는 해석적 및 신경망 폐쇄 모델을 자율적으로 발견하고 학습한다. 이러한 결과는 시간 분해 유동에서 종단 간 자율 난류 모델 개발이 가능함을 보여 준다.

arXiv:2611.16163v1physics.flu-dyn

다중 프레임 입자 추적으로부터 확산 동역학을 탐구하기 위한 생성형 AI 모델

Generative AI models for exploring diffusion dynamics from multi-frame particle tracking

입자 기반 체적 유동 측정 기법은 유체역학 분야에서 비정상 유동의 동역학적 특성을 정량적으로 평가하는 데 효과적임이 입증되었다. 다중 프레임 입자 추적의 최근 발전에도 불구하고, 이 분야의 미해결 과제는 프레임 간 변위가 큰 시간적으로 과소 표집된 3D 시퀀스에서 궤적을 유지하는 것이다. 본 연구에서는 시공간 3차원 입자 기록으로부터 확률적 확산 과정을 통해 유동 운동을 추정하는 확산 기반 모델 DiffTR-Flow3D를 개발한다. DiffTR-Flow3D는 전역 및 국소 입자 동역학으로 확산 과정을 조건화하고 과거 입자 궤적을 활용하여 유동 추정을 향상시킨다. 수치 시뮬레이션과 실제 측정을 포함한 광범위한 실험은 DiffTR-Flow3D가 학습 기반 유동 추정기와 비교해 최첨단 변위 추정 정확도를 달성하고, 입자 추적 파이프라인에 통합될 때 장기 추적 성능을 크게 향상시키며, 다양한 유동 패턴에 걸쳐 강건성과 일반화 능력을 보임을 입증한다. 이 연구는 유체 연구자에게 프레임 간 변위가 큰 시간적으로 과소 표집된 3D 시퀀스에서 입자 궤적을 일관되고 정밀하게 분석할 효과적인 도구를 제공할 것으로 기대된다.

arXiv:2611.16341v1physics.flu-dyn

SUMNO: 유체 흐름 대리 모델을 위한 공간적으로 전개된 멀티그리드 신경 연산자

SUMNO: Spatially Unrolled Multigrid Neural Operator for Fluid Flow Surrogates

데이터 기반 대리 모델링은 전산유체역학을 가속하는 강력한 패러다임으로 부상했으며, 고전적인 기하 멀티그리드(Geometric Multigrid, GMG) 기법의 구조와 유사한 계층적 U자형 네트워크가 널리 쓰이는 설계가 되었다. 이러한 설계에 기반한 최신 대리 모델은 수치 해석기 대비 극히 적은 비용으로 경쟁력 있는 정확도를 달성하지만, 복잡한 유동의 정확한 예측은 여전히 어려우며 모든 유동에서 우위를 보이는 기존 아키텍처는 없다. 이러한 네트워크에서 멀티그리드 비유는 주로 다중 해상도 위상에 국한되며, 구성 요소는 대체로 일반적인 비전 분야의 관행을 따른다. 이를 해결하기 위해 본 연구는 V-사이클을 순전파 U자형 네트워크로 공간적으로 전개하는, 정규 격자 상의 유체 유동장을 위한 멀티그리드 신경 연산자 SUMNO를 제안한다. 매개변수가 없는 다운샘플링과 업샘플링이 제한(restriction)과 연장(prolongation)을 대신하고, 덧셈 방식의 스킵 연결이 조대 격자 보정을 대신하며, 전달 경로와 스킵 경로에는 정규화를 사용하지 않는다. 이 거시 아키텍처 내에서 세밀한 해상도와 중간 해상도에서는 합성곱을, 가장 조대한 해상도에서는 이동 윈도우 어텐션을 사용하며, 윈도우 분할을 일반화하여 축마다 독립적으로 주기성을 처리한다. 비정상 및 정상 유동 벤치마크 네 가지에서 보지 못한 테스트 구성에 대해 대표적인 기준 모델 다섯 가지와 비교 평가한 결과, SUMNO는 7개 설정 중 5개에서 최고 성능을, 나머지 둘에서 2위를 기록했다. 가장 강력한 기준 모델 대비 10단계 롤아웃 MSE를 약 30% 줄이며, 1억 3천만 개 이상의 매개변수를 가진 기준 모델 세 가지를 940만 개의 매개변수로 능가한다.

arXiv:2610.23298v2physics.flu-dyn

탄성축이 천음속 플러터 경계를 접는 방식: 충격파 에너지 전달과 등각 보정 능동 학습

How the elastic axis folds the transonic flutter boundary: shock energy transfer and conformally calibrated active learning

탄성축이 앞전보다 반 코드 길이 앞에 있는 피치-플런지 에어포일인 Isogai의 사례 A는 비점성 유동에서 접힌 천음속 플러터 경계를 가지며, 하나의 마하수에서 여러 플러터 속도가 나타난다. 우리는 결합된 오일러 시뮬레이션, 배치 능동 학습으로 훈련한 감쇠의 가우시안 과정 대리 모델, 그리고 안정성 판정의 주변 오류율을 한정하는 분포 무관 분할 등각 예측을 이용해 이 경계와 탄성축 계열을 도출한다. 감쇠 레이블의 세 가지 실패 모드는 잔차에서는 드러나지 않으며, $1^\circ$ 자유류 받음각에서 충격 시동으로 남는 0.5도의 평균 받음각은 어떤 수치 설정보다도 큰 폭으로 함몰부의 플러터 속도를 2.8% 높인다. 80회의 시뮬레이션으로 학습한 사례 A 경계는 독립적인 64회 실행 중 63회를 올바르게 분류하며, 홀드아웃 실행에 대한 보정된 판정 중 틀린 것은 최대 1.8%이다. 마하수, 탄성축, 플러터 속도 지수에 걸친 193회의 시뮬레이션은 해당 축에 대한 사례 A 구조에서 비점성 접힘이 두 격자 모두에서 탄성축이 앞전보다 약 0.4 코드 길이 넘게 앞에 있을 때에만 존재함을 보인다. 세 가지 방식으로 닫힌 코드 방향 에너지 수지는 두 가지 분기를 모두 설명한다. 하부 분기에서는 충격파 위상이 변하지 않은 채 감소하는 무차원 진동수가 충격파 입력을 높이고 상류 감쇠를 비슷하게 낮춘다. 상부 분기에서는 충격파가 뒷전에 고정되어 있으며, 축을 뒤로 옮기면 플러터 모드의 피벗이 단면 쪽으로 다가가 상류 감쇠가 잔여 충격파 입력보다 더 빨리 감소하고 접힘이 닫힌다.

arXiv:2605.26358v3physics.flu-dyn

Deep Learning-based Algebraic Reynolds Stress Closures for RANS Simulations of Turbulent Flows

Turbulence is ubiquitous in engineering and science, yet direct simulation is prohibitively expensive. The Reynolds-averaged Navier-Stokes (RANS) equations provide savings exceeding ten orders of magnitude but introduce unclosed terms. Offline-trained machine-learning (ML) closures suffer distribution shift in predictive simulations, while ML methods that bypass the governing equations struggle to generalise from scarce high-fidelity data. We develop a physics-derived deep learning closure for RANS, the Deep Algebraic Reynolds Stress Model (DARSM), which can be trained on one or two flow cases and accurately generalise across an order of magnitude in Reynolds number, to unseen geometries, and across flow regimes. A neural network maps flow invariants to empirical parameters in an implicit algebraic Reynolds stress equation, derived from the Reynolds stress transport equations under the weak-equilibrium assumption, imposing physics-based structure on the ML closure. End-to-end optimisation through the governing PDEs eliminates distribution shift, but both unrolled and implicit automatic differentiation fail on the stiff coupled solver. We derive adjoint equations that exploit the solver's implicit-explicit structure for efficient optimisation. On canonical square-duct and periodic-hill benchmarks, DARSM reduces average test velocity error over baseline RANS by 2-4x across Reynolds number, geometries, and flow regimes, with peak case-level reductions of 12x. The model trained on attached, anisotropy-dominated flows (square duct) accurately generalises without retraining to separated flows (periodic hills), a regime change in the underlying physics. DARSM also outperforms established ML methods: offline training, tensor-basis neural networks, field-inversion machine learning, DeepONets, physics-informed neural networks, and an adjoint-trained source-term closure.

arXiv:2603.29264v3cs.LG

비선형 편미분방정식을 위한 선형 생성자 네트워크

Linear Generator Networks for Nonlinear Partial Differential Equations

대부분의 물리 시스템은 비선형 편미분방정식으로 기술되지만, 고유 스펙트럼, 분산 관계, 모드 분해와 같이 선형 시스템을 투명하게 만드는 해석적 도구는 비선형 환경에서는 사용할 수 없다. 본 연구는 비선형 리프트와, 리프트된 동역학에 대한 연속 시간 선형 생성자를 $L_k = S - D_k$ 분해를 통해 학습하는 신경 연산자인 선형 생성자 네트워크-쿠프만(LGN-KM)을 제안한다. 여기서 $S$는 반대칭 행렬(보존적 결합)이고 $D_k$는 양의 정부호 대각 행렬(모드 선택적 소산)이다. 이 분해는 구성적으로 안정성을 보장하고 고유 구조를 직접 드러내어, 비선형 PDE에 대해 선형 시스템 분석을 가능하게 한다. 2차원 나비에-스토크스 난류에서 생성자는 완전한 다중 분기 분산 관계를 도출하며, 점성이 $100\times$ 차이 나는 조건에서 독립적으로 학습된 모델들이 동일한 결합 스펙트럼을 학습한다($R^2 = 0.87$). 동일한 아키텍처는 FitzHugh-Nagumo 반응-확산 방정식에서 이에 상응하는 확산 감쇠를 보여주며, 광섬유 내 펄스 전파에서는 학습된 생성자의 진동 주파수가 광섬유의 분산 관계와 일치하여 피팅된 상수 없이 군속도 분산을 $3.1\%$ 이내로 도출한다. 또한 이 아키텍처는 장기 안정성, $O(1)$ 연속 시간 평가, 물리 정보 기반의 영역 간 모델 전이를 가능하게 한다.

arXiv:2511.15856v4cs.LG

GLOBE: 도메인 영감 아키텍처와 등변성을 통한 경계 구동 편미분방정식의 정확한 대리 모델

GLOBE: Accurate Surrogates for Boundary-Driven PDEs via Domain-Inspired Architectures and Equivariance

우리는 경계 요소법과 등변 ML에서 귀납적 편향을 가져와, 해를 경계면에서 목표 지점까지 계산되는 학습 가능한 그린 함수 유사 커널의 중첩으로 표현하는, 경계 구동·균질·약비선형 편미분방정식(PDE)용 비선형 신경 대리 모델 GLOBE를 소개한다. 이 아키텍처는 병진·회전·반전(parity) 등변이며, 이산화에 불변이고, 엄밀한 무차원화를 통해 단위에도 불변이다. AirFRANS(NACA 익형 주위의 정상 비압축성 RANS)에서 약 11.7만 매개변수의 소형 GLOBE 모델은 공개된 AirFRANS 정규화 하의 단일 실행 비교에서, 보간 분할과 저데이터 분할 모두에서 보고된 가장 강력한 ML 대리 모델의 발표 수치보다 낮은 평균 제곱 오차를 보였다. 이 모델은 임의의 지점에서 장(field)을 평가하고, 비수밀(non-watertight) 메쉬를 처리하며, 레이놀즈 수와 받음각 분포 이동에서도 일반화한다. 또한 커널의 원거리장 감쇠를 이용하여 평가 비용을 경계 요소 수에 대해 제곱에서 거의 선형으로 줄이는 계층적 Barnes-Hut 가속을 도입하며, 조절 가능한 개방각은 개방각이 0인 극한에서 정확한 조밀 평가를 복원한다. 정량적 검증은 2D AirFRANS에 초점을 두며, 3D DrivAerML 자동차에서는 GLOBE가 전체 메쉬에 대해 표면장과 체적장을 예측하고 이를 동일 조건의 Transolver 기준 모델과 비교한다. 종합하면 이러한 결과는 경계 요소법에서 영감을 받은 귀납적 편향이 대규모 3D 메쉬로 확장하면서도 경계 구동 PDE용 ML 대리 모델의 정확도를 크게 향상시킬 수 있음을 보여 준다.

arXiv:2611.09567v1physics.flu-dyn

TurtLES: 난류 3D 신경망 PDE 대리 모델을 위한 대규모 벤치마크

TurtLES: A Large-Scale Benchmark for Turbulent 3D Neural PDE Surrogates

기계학습 대리 모델은 전산유체역학을 가속하는 데 점점 더 많이 사용되고 있으나, 현실적이고 시간 의존적인 난류를 포착하는 벤치마크가 부족하여 발전이 제한되고 있다. 본 논문에서는 고정밀 암시적 large-eddy simulation으로 계산한, 전단층 천이 영역의 3D 난류 원기둥 후류로 구성된 14 TB 규모의 데이터셋 TurtLES를 소개한다. 이 데이터셋은 각각 400개의 시간 단계로 이루어진 400개의 궤적을 포함하며, 프레임당 300만~1,100만 개의 점을 가지고, 형상, 레이놀즈 수, 받음각의 변화를 아우른다. 기존 데이터셋과 달리 TurtLES는 (i) 와도 신장에 의해 구동되는 활성 에너지 캐스케이드를 갖춘 물리적으로 현실적인 난류, (ii) 조밀한 비정형 메시, (iii) 장기 시간 동역학을 결합한다. 자기회귀 롤아웃에서 최첨단 신경 연산자를 벤치마킹하고, 시간적 불안정성, 소규모 에너지 손실, 대규모 비정형 영역에서의 학습의 어려움 등 주요 실패 양상을 규명한다. TurtLES는 산업적으로 의미 있는 메시 해상도의 3D 난류 후류에서 대리 모델을 평가하기 위한 새로운 벤치마크를 제공한다.

arXiv:2603.24500v2cs.LG

투영 후 생성: 비압축성 유동을 위한 발산 없는 신경 연산자

Project and Generate: Divergence-Free Neural Operators for Incompressible Flows

유체 역학을 위한 학습 기반 모델은 제약이 없는 함수 공간에서 동작하는 경우가 많아 물리적으로 허용되지 않고 불안정한 시뮬레이션으로 이어진다. 페널티 기반 방법은 제약 위반을 줄일 수 있으나 정확한 비압축성을 보장하지는 못한다. 본 연구에서는 결정론적 모델링과 생성 모델링 모두에서 비압축성 연속 방정식을 엄격한 내재적 제약으로 강제하는 통합 프레임워크를 제안한다. 비압축성을 강제하기 위해 미분 가능한 스펙트럴 Leray 투영을 신경 연산자에 통합한다. 플로 매칭의 경우, 컬 기반 푸시포워드를 통해 발산 없는 가우시안 기준 측도를 구성하여 기준 샘플, 보간 경로, 속도 목표가 투영된 동역학과 호환되도록 한다. 2D Navier-Stokes 방정식에 대한 실험에서 이산화 오차 수준까지 정확한 비압축성을 달성하였으며, 안정성과 물리적 일관성이 크게 향상됨을 보인다.

arXiv:2512.19936v3physics.flu-dyn

GIMLET: 내장된 열역학을 통한 일반화 가능하고 해석 가능한 모델 학습

GIMLET: Generalizable and Interpretable Model Learning through Embedded Thermodynamics

우리는 유체 흐름 및 스칼라 수송 모델에서 구성 관계를 발견하기 위한 데이터 기반 프레임워크를 개발한다. 속도장 및/또는 스칼라장이 측정된다는 가정 하에, 본 접근법은 지배 방정식의 미지 폐합항을 신경망으로 추론한다. 발견 대상은 구성 관계뿐이며, 지배 방정식의 시간 미분항, 대류 수송항, 압력 기울기항은 미리 주어진다. 이 정식화는 비평형 열역학의 변분 원리에 뿌리를 두고 있으며, 여기서 동역학은 자유 에너지 범함수와 소산 범함수로 정의된다. 미지의 구성항은 이러한 범함수를 상태 변수에 대해 범함수 미분한 것으로 나타난다. 유연하고 구조화된 모델 발견을 가능하게 하기 위해, 자유 에너지 범함수와 소산 범함수는 신경망으로 매개변수화되고, 이들의 범함수 미분은 자동 미분을 통해 얻는다. 이러한 구성은 설계상 열역학적 일관성을 강제하여, 총 자유 에너지의 단조 감소와 비음수 엔트로피 생성을 보장한다. 그 결과로 얻은 방법인 GIMLET(Generalizable and Interpretable Model Learning through Embedded Thermodynamics)은 희소 회귀나 기호 식별 접근법과 달리 후보 함수의 사전 정의된 라이브러리에 의존하지 않는다. 학습된 모델은 하나의 데이터셋에서 식별된 범함수를 동일한 기저 방정식이 지배하는 다른 데이터셋으로 전이할 수 있다는 점에서 일반화 가능하다. 더욱이 추론된 자유 에너지 함수와 소산 함수는 학습된 동역학에 대한 직접적인 물리적 해석 가능성을 제공한다. 이 프레임워크는 점성 Burgers 방정식, Kuramoto--Sivashinsky 방정식, 뉴턴 유체와 비뉴턴 유체 모두에 대한 비압축성 Navier--Stokes 방정식을 포함한 여러 벤치마크 시스템에서 시연된다.

arXiv:2611.07666v1physics.flu-dyn

SINDy를 이용한 데이터 기반 단일 모드 레일리-테일러 불안정성 동역학 추출

Extracting Single-Mode Rayleigh--Taylor Instability dynamics from data via SINDy

레일리-테일러 불안정성(RTI)은 관성 가둠 핵융합과 초신성 폭발 등의 분야에서 근본적으로 중요하며, 그 진화는 흔히 포텐셜 흐름 이론과 부력-항력 모델로 기술된다. 그러나 두 유형의 모델 모두 기포와 스파이크 속도의 오버슈트 거동과 이후의 재가속 단계를 정확하게 포착하는 데 어려움을 겪는다. 이러한 한계를 해결하기 위해, 우리는 비선형 동역학의 희소 식별(SINDy)의 적분 형식에 기반한 물리 제약 데이터 기반 프레임워크를 개발하여, 기포와 스파이크 진화에 대한 저차원 동역학 방정식을 데이터로부터 직접 추출한다. 무차원 초기 진폭 $A_0 = k\eta_0$를 명시적 매개변수로 도입함으로써, 여러 애트우드 수와 초기 진폭에 걸친 데이터를 바탕으로 기포와 스파이크 각각에 대해 서로 다른 동역학 방정식을 식별한다. 그 결과 얻어진 저차원 동역학 방정식은 속도의 오버슈트 거동을 높은 정확도로 재현할 뿐 아니라 재가속 단계도 잘 포착하며, 파수, 가속도, 애트우드 수의 보지 못한 값에서도 높은 예측 정확도를 유지한다. 본 연구는 기존의 포텐셜 흐름 및 부력-항력 모델을 보완하는 물리 제약 데이터 기반 프레임워크를 제공하여, 높은 애트우드 수에서 기포와 스파이크의 동역학적 진화를 정확하게 기술하며, 계면 불안정성의 동역학 방정식을 데이터로부터 직접 추출하는 새로운 관점을 제시한다.

arXiv:2611.07395v1math.AP

비선형 수면파의 기계 정밀도에 근접한 엄밀 인증 신경망 계산

Rigorously Certified Neural-Network Computation of Nonlinear Water Waves at Near-Machine Precision

본 논문은 강비선형 편미분방정식에 대해 기계학습 기반 발견을 엄밀한 컴퓨터 보조 수치 인증 및 형식 검증과 결합하는 계산 프레임워크를 제시한다. 이 접근법을 주기적 중력-모세관 진행 수면파에 대해 시연한다. 물리 정보 신경망은 탐색 메커니즘으로 사용되며, 파형, 파속, 그리고 연속 실험에서는 표면 장력을 학습 데이터 없이 지배 방정식으로부터 직접 학습한다. 단계적 학습 및 정제 절차를 통해 신경망은 강비선형 영역에서도 지배 방정식의 잔차를 기계 정밀도에 근접한 수준으로 달성한다. 단일 정식화로 고진폭 Stokes 파, Crapper 파, Wilton 리플을 복원한다. 표면 장력에 대해 고진폭 Wilton 리플에서 연속법을 적용하면 새로운 고진폭 후보 해가 드러난다. 본 논문은 후보 해 하나를 명시적 유한 표현으로 고정하고, 부동소수점 반올림 오차, 푸리에 절단, 에일리어싱, 격자-연속체 오차를 고려하여 구간 산술로 지배 방정식 잔차의 균등 한계를 엄밀하게 인증한다. 이는 신경망의 정확도를 독립적으로 검증한다. 본 논문은 인증 논증을 Lean으로 형식화하며, Lean은 인증된 수치 한계로부터 잔차 정리에 이르는 연역을 기계적으로 검사한다. 구간 인증과 형식화는 모두 대규모 언어 모델의 상당한 도움을 받아 개발되었으나, 결과의 타당성은 언어 모델과 독립적이다. 수치 한계는 구간 산술로 엄밀하게 포함되며 이후의 수학적 연역은 Lean 커널이 검사한다. 이러한 단계들은 함께 신경망 기반 발견에서 엄밀한 수치 인증 및 기계 검증 검사에 이르기까지, 감사 가능한 수학적 보장을 갖춘 파이프라인을 제공한다.

arXiv:2611.06464v1physics.flu-dyn

불확실성 기반 프레임워크를 통한 미세액적 생성기의 대리 모델 강화와 역설계

Microdroplet Generator Surrogate Enhancement and Inverse Design Through an Uncertainty-Guided Framework

미세유체 액적 생성은 많은 응용에서 핵심적이지만, 복잡한 다상 유동 역학 때문에 고차원 매개변수 공간에서의 효율적인 장치 설계는 여전히 계산적으로 엄두를 내기 어렵다. 본 연구는 적응형 대리 모델 강화와 시뮬레이션 기반 역설계를 결합한 통합 방법론을 제시한다. 고충실도 Volume-of-Fluid 시뮬레이션이 기준 데이터를 제공하고, 신경망 앙상블이 유동 영역과 액적 직경을 예측한다. 앙상블 기반 불확실성 정량화는 영역 분류에는 합의 수준을, 직경 예측에는 변동 계수를 사용하여 인식론적 불확실성을 식별하며, 불확실성이 물리 현상이 매개변수 섭동에 매우 민감한 영역 전이 경계 부근에 집중됨을 보여 준다. 물리 정보 기반 보강 전략은 이러한 핵심 구간을 표적으로 하여, 추가 표적 시뮬레이션을 수행하고 앙상블을 구성하는 대리 모델을 재훈련함으로써 클래스 불균형을 해소한다. 이에 따라 정확도와 예측 신뢰도, 물리적 일관성의 균형을 맞추는 제약 역설계를 위해 입자 군집 최적화를 통합한 프레임워크를 제안한다. 독립적인 시험 데이터셋에서의 검증 결과, 보강된 앙상블은 더 높은 정확도를 달성하여 액적 직경에서 오차 0~3% 범위에 드는 예측의 비율이 거의 두 배가 되었고, 고오차 사례(10% 초과)는 크게 감소하였다. 역설계 절차는 목표 액적 크기를 충족하는 물리적으로 실현 가능한 구성을 안정적으로 식별한다. 이 접근법은 신뢰할 수 있는 예측을 보장하면서 계산 비용을 크게 줄이며, 광범위한 미세유체 시스템의 최적화에 적용될 가능성이 있는 프레임워크를 제공한다.

arXiv:2606.01470v2physics.flu-dyn

물리 파운데이션 모델의 시뮬레이션에서 실험실 난류로의 창발적 전이

Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence

물리 파운데이션 모델을 실험실 실험에 유용하게 배포할 수 있는지는 과학 기계학습(ML)에서 여전히 열린 문제이다. 우리는 이 질문을 레일리-테일러 불안정성(RTI)으로 검증한다. RTI는 탁상 규모 유동에서 초신성 폭발에 이르기까지 어디서나 나타나는 까다로운 유체 불안정성으로, 밀도 경계면의 작은 섭동이 가벼운 유체가 무거운 유체 쪽으로 가속됨에 따라 혼돈적인 다중 스케일 혼합으로 성장한다. 표준 ML 모델은 RTI에 어려움을 겪으며, 한 세기가 넘는 이론적, 수치적, 실험적 연구에도 불구하고 시뮬레이션과 실험 사이에 해결되지 않은 불일치가 남아 있다. 대부분의 실험실 실험에서 측정된 후기 혼합 성장률 $\alpha$($\sim$ 0.06-0.07)는 이상화된 직접 수치 시뮬레이션(DNS, $\sim$ 0.02)의 값보다 대략 세 배 크다. 이 차이의 기원은 여전히 논쟁 중이다. 이러한 특성 때문에 RTI는 RTI를 훨씬 넘어서는 중요한 질문, 즉 시뮬레이션만으로 학습된 파운데이션 모델이 희소하고 지저분하며 잡음이 많은 실험실 환경으로 일반화될 수 있는가에 대한 엄격한 시험대가 된다. 우리는 연속체 역학용 파운데이션 모델인 Walrus를 세 개 이하의 DNS 실현으로 미세 조정하고, 긴 롤아웃에서 핵심적인 RTI 물리를 복원한다. 슬라이딩 배리어 실험실 데이터에 제로샷으로 적용하면, 미세 조정된 모델은 실험 샘플을 단 하나도 본 적이 없음에도 DNS와 유사한 영역을 벗어나 관측된 성장 범위에 진입한다. 이러한 결과는 초기 조건이 $\alpha$의 오래된 시뮬레이션-실험 간 격차에서 결정적인 역할을 한다는 독립적이고 데이터 기반의 증거를 제공한다. 또한 이 모델은 학습에 없던 부력 영역인 안정 성층에도 제로샷으로 일반화하여 혼합층 성장을 올바르게 늦춘다. 종합하면, 우리의 결과는 파운데이션 모델이 학습 데이터를 훨씬 넘어 일반화하여 실험실 거동과 보지 못한 물리 영역을 예측할 수 있음을 보여 주며, 오래된 시뮬레이션-실험 격차를 탐구하는 새로운 방법을 연다.

arXiv:2611.06912v1physics.flu-dyn

FlowReconBench: 희소 센서로부터의 학습 기반 및 고전적 유동 재구성의 정확도, 보정, 비용

FlowReconBench: Accuracy, calibration and cost of learned and classical flow reconstruction from sparse sensors

희소 센서로부터 전체 유동장을 재구성하려면 측정되지 않은 영역과 물리 변수에 대한 사전 가정이 필요하다. 그럼에도 학습 기반 모델이 고전적 추정기보다 언제 우수한지, 그리고 그 예측의 어떤 측면을 신뢰할 수 있는지는 여전히 불분명하다. FlowReconBench는 레이놀즈 수에 따른 층류 원기둥 후류, 2차원 콜모고로프 난류, 대규모 3차원(3D) 등방성 난류라는 세 가지 영역에서 열 가지 학습 기반 방법과 다섯 가지 고전적 방법을 평가한다. 방법들은 누수가 통제된 데이터 분할과 센서 추출을 공유하며, 채널별 오차, 앙상블 분산, 보정, 스펙트럼, 비용으로 점수가 매겨진다. 선두 방법은 영역마다 달라진다. 고전적 방법은 저차원 및 조밀 센싱 영역에서 강한 성능을 보인다. 원기둥 후류에서는 선형 확률 추정과 갭이 있는 고유직교분해(gappy proper orthogonal decomposition)가 관측되지 않은 압력을 포함해 선두를 차지한다. 3D에서는 역거리 가중법이 관측된 채널에서 최고의 학습 기반 방법과 대등하다. 센서 밀도가 낮아지거나 센서 관측성이 나쁠수록 데이터 기반 방법이 우세해진다. 콜모고로프 유동에서는 연속 순위 확률 점수(continuous ranked probability score)와 오차가 서로 다른 방법 순위를 낳는다. 생성 모델은 더 넓지만 분산이 부족한 앙상블을 제공하는 반면, 결정론적 모델은 점별 오차를 우선시한다. 생성 모델은 샘플러 예산을 통해 이 상충 관계의 균형을 맞추며, 예산이 클수록 더 높은 계산 비용으로 앙상블 품질이 향상된다. 3D에서 확장 시험은 질의 가능한 방법이 메모리 사용량이 일정한 반면, 전체 격자 구성 방법은 메모리가 부족해짐을 보여 준다. 4개 장 중 2개만 관측하면 문제는 운동학적으로 제약이 부족해지지만, 잠재 모델은 실제값과의 구조적 유사성을 재현할 수 있다.

arXiv:2611.05780v1physics.comp-ph

과학자처럼 발견하기: 데이터 기반 방정식의 물리적 완결을 위한 문헌 기반 무차원 학습

Discovering like a scientist: Literature-informed dimensionless learning for physical closure of data-driven equations

데이터 기반 방법은 간결한 방정식을 복원할 수 있지만, 운전 조건에 따른 계수의 물리적 의존성은 해결되지 않는 경우가 많다. 무차원 군은 이러한 변화를 설명할 수 있으나, 차원적으로 허용되는 수많은 조합 중에서 관련 있는 군을 선택하는 일은 여전히 어렵다. 본 논문은 {\pi}-former라는 무차원 학습을 위한 지식 기반 프레임워크를 소개한다. 이 모델은 확립된 무차원 군 1,288개의 말뭉치로부터 변수 연관과 지수 할당의 패턴을 학습한다. 정확한 차원 제약 하에서 모델은 해석 가능한 기본 군을 제안하며, 이들의 조합은 관측값에 맞게 최적화된다. 일곱 가지 물리 문제에서 이 프레임워크는 예측력 있는 무차원 좌표를 수 초 내에 식별한다. 방정식 발견과의 통합을 통해 조건 의존적 계수를 이러한 좌표로 표현하며, 다중 조건 시뮬레이션에서 확립된 물리적 스케일링을 복원한다. 증발 구동 젖음에 대한 실험 측정에 적용했을 때, 이 프레임워크는 무차원 좌표를 발견하고 이를 사용해 통합된 궤적 방정식을 구성한다. 그 결과 모델은 액체와 초기 부피에 걸친 보류 조건에 일반화되며 기존 경험 모델을 능가한다. 이러한 결과는 무차원 학습이 축적된 과학 지식과 데이터 기반 방정식 발견 사이의 전이 가능한 가교임을 확립하며, 인공지능이 관측으로부터 물리적으로 의미 있는 법칙을 밝혀낼 수 있게 한다.

arXiv:2611.05577v1cs.LG

읽을 수 있다고 조종할 수 있는 것은 아니다: 학습된 유체 표현의 물리적 구조에 대한 사전 등록 검증

Readable Is Not Steerable: Pre-Registered Tests of Physical Structure in Learned Fluid Representations

자기지도 월드 모델은 흔히 잠재 변수를 물리량 중심으로 조직한다고 한다. 우리는 이를 2차원 감쇠 나비에-스토크스 유동에서 세 건의 사전 등록 연구로 검증하며, 각 연구는 보류된 데이터에서 한 번만 검정했다. 연구 1에서 유동을 예측하도록 학습된 joint-embedding predictive architecture(JEPA)는 동일 구조의 학습되지 않은 네트워크보다 잠재 변수를 유체량 중심으로 더 잘 조직한다는 사전 등록 기준을 충족하지 못했다(지지되지 않음). 비물리적 선형 동역학으로 학습한 JEPA와 시간을 전혀 보지 않는 정적 불변성 모델도 같거나 더 나은 성능을 보인다. 연구 2에서 장을 렌더링하는 일반 오토인코더는 가장 느린 비지도 잠재 방향에서 엔스트로피를 두드러지게 만든다(최고 r 0.80-0.86, 학습되지 않은 경우 0.38; 새 시드, 봉인된 데이터). VICReg를 추가하면 모든 비교에서 이러한 두드러짐이 낮아지는데, 와도에 대해서는 사전 등록된 기준폭에는 미치지 못했으며, 오토인코더의 선형 디코딩 가능성은 높아진다(부분적으로 지지됨). 연구 3에서는 라우팅으로 조종 가능한 방향("다이얼")을 구성한다. 디코더는 전체 스케일을 작은 조건화 코드를 통해서만 받고, 다른 경로는 스펙트럼 형태의 열화된 사본을 전달한다. 레이블 없는 규칙은 학습된 8개 모델 모두에서 음량 다이얼을, 봉인된 데이터의 새 시드 5개 중 3개에서 형태 다이얼을 찾았으며, 이는 사전 등록된 기준 4에 미달한다. 어느 대조군에서도 형태 다이얼은 나타나지 않는다(부분적으로 지지됨). 연구들 전반에서 잠재 변수가 담고 있는 것과 그것을 통해 제어할 수 있는 것은 서로 분리된다. 탐색 단계에서 스펙트럼 형태를 거의 완벽하게 읽어내는 지도 방향은 조종해도 아무것도 움직이지 못했다. 구축 과정에서 음량 다이얼은 데이터 분산이 아니라 출력에 미치는 효과(순수한 리스케일링에 가장 가까운 것)로 찾아야 했고, 형태의 경우 분산 규칙과 효과 제약 규칙이 각각 5개 시드 중 3개에서 작동했다. 이 프로그램은 소비자용 GPU 한 대에서 기록된 약 70시간을 사용했으며, 모든 사전 등록, 변경 사항, 코드, 출력은 공개되어 있다.

arXiv:2606.29628v2physics.flu-dyn

천공판 전후 압력 손실을 위한 크리깅 및 신경망 모델

Kriging and Neural Network models for pressure losses across perforated plates

본 논문에서는 난류 유동에서 원형 천공을 가진 천공판 전후의 압력 손실을 예측하기 위해 크리깅(Kriging)과 신경망(NN)에 기반한 두 가지 새로운 데이터 기반 모델을 제안한다. 모델은 문헌에서 이용할 수 있는 두 가지 실험 데이터 집합을 사용하여 개발된다. 제안된 모델의 예측 성능을 평가하고 널리 사용되는 경험식과 비교한다. 제안된 모델은 실험 데이터 집합에 포함된 대부분의 천공판 구성에서 기존 경험 모델을 일관되게 능가하는 것으로 나타난다. 또한 예측된 압력 손실은 대체로 실험 측정값과 잘 일치하며, 이는 크리깅과 NN에 기반한 데이터 기반 접근법이 천공판 전후의 압력 손실을 모델링하는 데 실현 가능한 프레임워크임을 보여준다. 전반적으로 두 접근법 모두, 문헌에 보고된 측정값이 부족하여 비교적 제한된 양의 실험 데이터로 학습되었음에도 유망하다. 제안된 모델의 수치 시뮬레이션 적용 가능성을 보이기 위해, 새로운 압력 손실 모델을 운동량 방정식의 소스항으로 구현한 레이놀즈 평균 나비에-스토크스(RANS) 방정식으로 2차원 채널 유동을 시뮬레이션한다. RANS 예측은 격자 해상도와 천공판을 나타내는 셀의 수에 둔감하며 모델 예측과 잘 일치하여, 제안된 접근법이 실제 전산유체역학(CFD) 시뮬레이션에 적용 가능함을 확인한다.

arXiv:2511.14581v3physics.flu-dyn

행성 내부의 준지형 난류에 대한 격자 이하 규모 모델의 온라인 학습

Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors

격자 이하 규모(SGS) 모델링에 대한 기계학습 접근법은 이제 대기 및 해양 응용에서 확고히 자리 잡았다. 그중 미분 가능한 솔버가 학습에 참여하는 온라인 종단 간 학습은 특히 유망함을 보여 왔다. 그러나 기존 연구는 대체로 역학적 경계가 없는 이상화된 주기 영역에 국한되어 있어, 행성 내부와 관련된 유계 회전 유동의 역학을 다루지 못한다. 본 연구에서는 빠르게 회전하는 환형 유계 영역에서의 2차원 준지형 난류를 고려한다. 용기의 기하 구조와 회전율을 달리한 세 가지 구성을 검토한다. 이 계는 동서 제트, 로스비 파, 그리고 구형 껍질 기하 구조에서는 제트의 느린 준주기적 내향 이동과 같은 핵심 특징을 보인다. 동서 및 비동서 유동의 스펙트럼 특성은 존스트로피(zonostrophic) 난류 이론의 틀에서 이해할 수 있다. 우리는 이 계에 대한 미분 가능한 솔버를 개발하여, 직접 수치 모사에서 얻은 조대화 데이터를 사용해 한 번의 순환 시간(turnover time) 동안 SGS 모델을 온라인으로 학습할 수 있게 한다. 모든 경우에서 단일 순환 시간으로 학습된 SGS 모델은 전역 적분 진단량, 에너지 스펙트럼, 그리고 학습 구간을 한 자릿수 초과하는 시간 규모에서 일어나는 제트 이동과 같은 장기 동역학적 거동을 정확하게 재현한다. 온라인으로 학습된 모델은 반경 방향 해상도를 줄이는 것이 비현실적인 고전적 초확산(hyperdiffusivity) 및 Leith 닫힘 기법보다도 우수한 성능을 보인다. 그 결과로 얻는 속도 향상은 직접 수치 모사로는 도달할 수 없는 장기 지구물리 유체 과정에 대한 추가 연구의 길을 연다.

arXiv:2611.04007v1cs.LG

팽팽함-느슨함 전이를 아우르는 텐세그리티 프리스트레스의 물리 기반 식별

Physics-Informed Identification of Tensegrity Prestress across Taut-Slack Transitions

프리스트레스는 텐세그리티 구조물의 안정성, 강성, 동적 거동을 좌우하지만, 희소한 구조 측정값으로부터 직접 관측할 수 없고 사용 수명 동안 감소할 수도 있다. 강한 가진 하에서는 케이블이 느슨해져 동역학이 비평활해질 수 있다. 기존 식별 방법은 팽팽한 영역에 한정되며, 텐세그리티를 위한 물리 기반 신경망은 알려진 부재 파라미터로부터 응답을 예측하는 순문제만 해결한다. 본 연구는 역문제를 정식화한다. 신경망은 질량 행렬이 상수이고 힘 밀도가 선형으로 들어가는 구속된 데카르트 좌표계에서 운동방정식 잔차를 이용해 학습된다. 힘 밀도, 감쇠, 축 강성은 학습 가능한 파라미터이며, 인장 전용 케이블 법칙은 유지된다. 피셔 정보 분석은 역산에 앞서 어떤 부재 파라미터를 하나의 기록으로 결정할 수 있는지 보여 준다. 이 방법은 최대 다섯 개 모듈의 평면 텐세그리티 프레임과 3차원 프리즘의 시뮬레이션, 그리고 생체모방 다리와 실물 크기 텐세그리티 심플렉스의 측정 기록에서 검증된다. 단일 모듈 프레임에서는 자유 좌표의 절반에서 얻은 잡음 섞인 가속도로부터, 팽팽함-느슨함 전이가 있는 기록과 없는 기록 모두에서 식별 가능한 힘 밀도가 1.5% 이내로 복원된다. 전이가 있는 기록은 팽팽한 기록에서는 결정되지 않는 부재를 결정한다. 16개 케이블의 2경간 교량인 5모듈 프레임에서는 힘 밀도 오차의 중앙값이 4.2%로 완만하게 증가한다. 측정 기록에서 식별된 스프링 강성은 독립적으로 측정된 값과 평균 0.1% 이내로 일치하며, 13개 수준에서 식별된 심플렉스 프리스트레스는 케이블 힘 변환기와 제곱평균제곱근 2.9%로 일치한다.