PyTorchKR Papers

최신 논문

총 116편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.02458v1cs.LG

엔트로피 이완 학습: 신경 이산 평형을 이용한 안정적인 조대 격자 에뮬레이션

Learning the Entropic Relaxation: Stable Coarse-Grid Emulation with Neural Discrete Equilibrium

복잡하고 계산 비용이 큰 물리 시스템을 효율적이고 안정적으로 에뮬레이션하는 능력은 과학 기계학습(SciML)의 대표적인 동기이다. 안정적인 수치 해석기는 스펙트럼 에너지를 받아들이고 소산시키는 작은 (공간적 및 시간적) 스케일을 해상하려 하므로 계산 비용이 큰 경향이 있다. 학습된 조대 격자 예측기는 소산 경로를 제거하여, 해상되지 않은 주파수가 격자 규모의 잡음(에일리어싱)으로 다시 나타나게 한다. 본 논문에서는 Neural Discrete Equilibrium(NeurDE) 방법을 사용하여 극단적으로 조대한 격자에서의 안정적인 에뮬레이션을 탐구하고, 물리 시스템의 소산 메커니즘을 강화하는 엔트로피 동역학에 대한 물리적 원리에 기반한 제어를 보여준다. 엔트로피로 안정화된 NeurDE는 매우 조대한 격자($\mathbb{R}^{16\times16}$까지)에서 높은 레이놀즈 수의 난류($\mathrm{Re}=100{,}000$)에 대해 수천 번의 예측 단계에 걸친 안정적인 장기 롤아웃을 생성한다. 이처럼 매우 조대한 격자 스케일에서 엔트로피로 안정화된 NeurDE는 우리의 안정화된 데이터 생성 수치 기법보다도 더 안정적일 수 있다.

arXiv:2611.01432v1physics.comp-ph

미시적 법칙으로부터 에너지 안정적인 거시적 유동 방정식의 변분 학습

Variational learning of energy-stable macroscopic flow equations from microscopic laws

우리는 미시적 물리 법칙으로부터 에너지 안정적인 거시적 편미분방정식(PDE)을 직접 구성하는 일반화된 변분 접근법을 제시한다. 거시적 궤적으로부터 지정된 변수의 PDE 발전을 적합하는 대신, 보조 변수를 덧붙여 확장된 상태 공간에서 자율적인 축소 동역학을 찾도록 확장 가능한 변분 구조를 구성한다. 이러한 변수를 명시적인 미시적 대응물을 가진 미시-거시 인코더로 정의함으로써, 학습 문제를 시간 이산 데이터로부터 축소 상태 표현과 변분 요소를 표본 단위로 공동 식별하는 문제로 설정하며, 이를 통해 스케일 간 법칙 수준의 체계적인 전이가 가능해진다. 결과로 얻는 PDE는 구성상 틀 무차별성, 물리적 제약, 에너지 안정성을 보존하며, 요동-소산 일관성을 갖춘 확률적 확장을 허용한다. 고분자 유체의 비뉴턴 유체역학에 대한 수치 결과는 학습된 모델이 경험적 닫힘 관계를 넘어 비선형적이고 불균질한 분자 상호작용이 유발하는 점탄성 응답을 포착함을 보여 준다.

arXiv:2611.01356v1cs.LG

3차원 자기유체역학 난류의 학습된 대리 모델

Learned Surrogates of Three-Dimensional Magnetohydrodynamic Turbulence

천체 및 핵융합 플라즈마의 흐름인 3차원 자기유체역학(MHD) 난류는 시뮬레이션 비용이 크다. 우리가 아는 한 최초로 3차원 저항성 MHD 난류의 학습된 대리 모델을 제시하며, 합성곱 UNet, 이동 윈도우 트랜스포머, 푸리에 신경 연산자(Fourier neural operator)라는 세 가지 표준 백본을 이 역할에서 비교한다. 이들은 $128^3$ 해상도와 1000, 3000, 6000의 레이놀즈 수에서 감쇠하는 MHD 난류의 자기회귀 에뮬레이터로 학습되며, 레이놀즈 수마다 500개의 시뮬레이션을 사용하고, 각각 단일 스텝 후 짧은 롤아웃이라는 하나의 2단계 절차를 거치고 하나의 규칙으로 중단된다. 대략 큰 에디 회전 시간 하나에 해당하는 구간에서 UNet과 트랜스포머는 0.018~0.053의 상대 속도 오차에 도달하며 시뮬레이션의 전류 시트, 엔스트로피, 전류 밀도, 에너지 스펙트럼을 유지한다. 둘 중 어느 쪽이 더 정확한지는 레이놀즈 수에 따라 달라, 3000과 6000에서는 UNet이, 1000에서는 트랜스포머가 앞선다. 동일한 백본과 학습 절차를 두 공개 벤치마크에 적용했을 때, 모델은 FactFormer의 등방성 난류 데이터셋에서 지금까지 보고된 가장 낮은 오차에 도달하여 발표된 최고 모델보다 39% 낮다. The Well의 압축성 MHD 데이터셋에서는 롤아웃 오차가 The Well의 기준 모델 중 최고 모델보다 3분의 1에서 2분의 1 낮다. 또한 롤아웃 구간에서 13억 매개변수의 사전 학습된 파운데이션 모델과 대등한 성능을 보이면서 매개변수는 20~62배 적다. 코드, 모든 모델의 설정, 평가 스크립트, 그리고 모든 시뮬레이션의 시드를 포함한 데이터 생성기는 게재 시 공개될 예정이다.

arXiv:2611.00216v1physics.flu-dyn

OPINE: 난류 유동을 위한 가역 비선형 임베딩에서의 직교 사영

OPINE: Orthogonal Projection in Invertible Nonlinear Embeddings for Turbulent Flows

고유직교분해(POD)는 분산 순으로 정렬된 직교 모드로 물리 필드를 표현하므로 하나의 분해로 모든 차원의 축소 좌표를 얻을 수 있지만, 데이터가 굽은 다양체 근처에 있을 때는 많은 모드가 필요하다. 비선형 오토인코더는 더 간결하지만 정보 손실이 비선형 인코더 내부에서 발생하며, 하나의 잠재 차원으로 학습한 모델에서는 더 작은 차원의 모델을 얻을 수 없다. 본 논문은 가역 비선형 좌표 변환을 학습하고 변환된 좌표에서 POD를 수행하는 OPINE(Orthogonal Projection in Invertible Nonlinear Embeddings)을 도입한다. 사상이 가역이므로 모든 정보 손실은 POD 사영에서 발생하며, 학습 후 그 기저를 정렬하면 단일 모델로부터 더 작은 모든 차원의 축소 좌표를 얻을 수 있다. 학습은 사상의 경사 갱신과 변화하는 POD 부분공간을 추적하는 감쇠 갱신을 번갈아 수행하며, 우리는 이 갱신이 정확한 POD 부분공간으로 국소 수렴함을 증명한다. OPINE을 합성 다양체, 혼돈 Kuramoto-Sivashinsky 동역학, 강제 Burgers 난류, 2차원 Kolmogorov 유동, 3차원 최소 채널 유동에서 평가한다. OPINE은 1을 초과하는 모든 시험 유지 차원에서 POD보다 정확하며, Kuramoto-Sivashinsky 및 Burgers 동역학에서는 가장 큰 유지 차원에서 합성곱 및 완전 연결 오토인코더보다 두 자릿수 이상 더 정확하다.

arXiv:2512.04434v2physics.flu-dyn

연산자 네트워크를 이용한 복잡한 형상 주위의 시간 의존 유동 예측

Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks

복잡한 형상에 걸쳐 일반화되고 장기 롤아웃에서도 정확도를 유지하는 비정상 유동용 신경망 대리 모델을 개발하는 것은 유동 시뮬레이션 가속화에서 여전히 중요한 과제이다. 본 연구는 매개변수형 및 비매개변수형 형상 주위의 중간 Re 유동에 대한 속도장을 예측하는, 시간 의존적이며 형상을 인식하는 Deep Operator Network를 제시한다. 이 모델은 부호 거리장(SDF) 트렁크로 형상을, CNN 브랜치로 유동 이력을 인코딩하며, FlowBench 데이터셋(https://baskargroup.bitbucket.io/)의 고정밀 시뮬레이션 841개로 학습된다. 이 모델은 학습에 사용되지 않은 262개의 테스트 형상에서 단일 스텝 상대 L2 오차 약 $\sim 5\%$를 달성하고 CFD 대비 최대 1000배의 속도 향상을 얻는다. 장기 예측 충실도를 정량화하기 위해 프로브 기반 위상 지연 및 스트로할 주파수 분석을 포함한 물리 중심의 롤아웃 진단을 제공한다. 이를 통해 단기 과도 현상은 정확하게 예측하지만 미세 규모 후류에서 체계적인 오차 누적이 나타나며, 이는 날카로운 모서리를 가진 형상에서 가장 두드러짐을 확인한다. 실패 양상을 분석하고, 물리 정보 기반 정규화와 확산 기반 정제를 포함한 실용적인 완화 전략을 제시한다. 재현성과 벤치마킹을 지원하기 위해 코드, 데이터 분할, 스크립트를 https://github.com/baskargroup/TimeDependent-DeepONet 에 공개한다.

arXiv:2611.03210v1physics.flu-dyn

CFD 기반 기호 회귀를 이용한 RANS 천이 모델 개발

CFD-driven symbolic regression of RANS transition models

층류-난류 천이는 터보기계에서 표면 마찰, 열전달, 손실을 좌우하지만, 레이놀즈 평균 나비에-스토크스(RANS) 천이 모델은 경험적 상관식과 수작업으로 보정한 활성화 함수에 의존하며, 이들의 구조적 결함은 재보정으로 해결할 수 없다. 우리는 Ge 등의 국소적이고 갈릴레이 불변인 $k$-$\omega$-$\gamma$ 모델의 간헐성 방정식에서 생성 및 소멸 활성화 함수에 대한 해석 가능한 닫힌 형태의 보정을 학습하는 CFD 기반 희소 기호 회귀 프레임워크를 제안한다. 각 보정은 진폭과 부호를 제어하는 국소 압력 구배 매개변수의 다항식과, 공간적 지지 영역을 제어하는 국소 유동 특성의 유계 지수 함수를 결합한다. 이러한 구성은 임의적인 제한자 없이 보정을 유계로 만든다. 계수는 RANS 솔버를 루프에 포함한 기울기 없는 최적화로 식별하며, POD-크리깅 장 대리모델로 가속하고, ERCOFTAC T3 평판 사례의 벽 해상 large-eddy simulation(LES)에서 얻은 평균 속도 데이터를 사용한다. 엘라스틱 넷 하이퍼파라미터는 케이스 하나 제외 교차 검증을 사용한 이중 수준 최적화를 통해 자동으로 선택된다. 그 결과 모델은 21개 후보 항 중 11개를 유지하는데, 이는 기존 격자 탐색 튜닝의 20개와 비교되며, 학습 사례와 미학습 사례에서 동등하거나 약간 더 나은 정확도를 달성한다. 두 접근법은 동일한 최우선 차수 보정을 복원한다. 재학습 없이 학습 범위를 크게 벗어난 천음속 LS89 터빈 캐스케이드에 적용했을 때, 보강된 모델은 수치적으로 강건하게 유지되며 네 개 운전점 모두에서 열전달 예측을 개선하고, 높은 자유류 난류 조건에서 기준 모델이 이른 천이를 예측하는 경우 오차를 최대 70%까지 줄인다. 천이 개시와 길이에 남은 잔여 오차는 평판 데이터만으로 학습하는 것의 한계를 보여 준다.

arXiv:2610.41304v1physics.flu-dyn

ART of PIV: 능동 유동 제어를 위한 에이전트 기반 실시간 입자 영상 유속계

ART of PIV: Agentic Real-Time Particle Image Velocimetry for Active Flow Control

입자 영상 유속계(PIV)는 추적 입자의 영상으로부터 유체 운동을 측정하지만, 그 정확도는 영상 전처리, 유동 추정, 후처리를 포함한 추정 파이프라인 전반의 선택에 좌우된다. 이러한 선택은 통상 전문가의 튜닝에 맡겨지며, 고정된 구성은 조건이 변하면 정확도가 떨어질 수 있다. 이는 PIV가 실시간 제어에 피드백을 제공하여 측정이 정확하면서도 빨라야 하고 유동 조건이 변하는 경우에 특히 중요하다. 본 논문은 영상 쌍마다 파이프라인 선택을 자동화하는 ART of PIV(Agentic Real-Time의 약자이자 PIV 파이프라인을 튜닝하는 기술(art)에 대한 오마주)를 제안한다. 학습된 에이전트가 지정된 속도 예산에 맞춰 구성된 라이브러리에서 선택된 측정 목표에 따라 구성을 고른다. 상호상관, 고전적 광류, 학습 기반 추정기 전반에서 ART of PIV는 동일한 속도에서 최선의 단일 추정기 대비 평균 종단점 오차(AEPE)를 12.2-22.4% 줄이며, 그 이점은 초당 1000-4000 영상 쌍까지 이어진다. 시뮬레이션된 국소 속도 조절 과제에서는 두 경우 모두 동일한 고전 제어기를 사용할 때, 튜닝된 고정 추정기 대비 평균 정규화 폐루프 비용을 13.24-13.59 퍼센트포인트 줄인다. 탁상형 수조에서는 회전하는 세 원기둥으로 이루어진 유체 핀볼에 대해 ART of PIV를 튜닝하는 두 가지 방식을 보인다. 하나는 정확도를 위해 상보적인 광류 튜닝 중에서 선택하는 것이고, 다른 하나는 공통 유동 추정기를 사용하여 일관된 회전 또는 전단이 있는 관심 영역을 선택하는 것이다. 첫 번째 방식에 대해서는 DreamerV3 강화학습 제어기를 물리 세계에서 직접 학습시키고, 유체 핀볼 후류에서 규정된 유동장을 추종함을 보인다.

arXiv:2610.40857v1cs.LG

시간 속에 얼어붙다: 물리 파운데이션 모델은 시뮬레이션-실제 적응 과정에서 어떻게 망각하는가

Frozen in Time: How a Physics Foundation Model Forgets Under Sim-to-Real Adaptation

과학 파운데이션 모델(SciFM)은 다양한 편미분방정식(PDE)에서 뛰어난 성능을 달성했으며, 추가 미세조정을 통해 보지 못한 데이터 분포에 효율적으로 적응하는 능력도 갖추고 있다. 모든 신경망 구조가 그러하듯, 이러한 모델을 미세조정하면 새로운 과제에 적응하는 과정에서 모델이 기존에 가진 지식이 저하되는 파국적 망각의 위험이 따른다. 본 연구에서는 연속체 동역학을 위한 SciFM인 Walrus-1.3B를 대상으로, 원기둥 주위의 시뮬레이션 유동에 대해 먼저 미세조정한 뒤 동일 시스템의 실험 데이터에 적응시키는 2단계 시뮬레이션-실제 적응 과정에서 나타나는 파국적 망각을 연구한다. 그 결과, 시뮬레이션에 대한 미세조정은 원래의 사전학습 데이터셋에 대한 롤아웃 성능을 급격히 저하시키며, 단 20 에포크 만에 단일 스텝 오차가 최대 35배까지 증가함을 확인했다. 이후 실제 데이터에 적응시키면 시뮬레이션 과제에 대한 성능이 추가로 저하된다. 우리는 데이터셋 의존성과 과제 표현 유사성 등 망각의 잠재적 요인을 분석한다. 이어서 실제 데이터 미세조정 중 시뮬레이션 데이터를 단 1%만 재생(replay)하더라도 손실된 시뮬레이션 성능의 대부분이 회복되면서 실험 동역학에 대한 효과적인 적응도 유지됨을 보인다. 본 결과는 파국적 망각이 SciFM의 시뮬레이션-실제 적응에서 실질적인 걸림돌임을 보여 주며, 경량 재생 전략이 지식 보존을 크게 향상시킴을 보인다.

arXiv:2610.42106v1physics.flu-dyn

물리 정보 신경망에서의 강한 제약 투영(Burgers)

Hard Constraint Projection in a Physics Informed Neural Network (Burgers)

물리 정보 기계학습은 유체 역학을 연구하고 시뮬레이션하기 위한 프레임워크를 제공하며, 순수 데이터 기반 기계학습 방법의 설명 가능성, 정확도, 강건성을 개선하는 것을 목표로 하면서 전통적인 수치 기법 계산 비용의 일부만으로 가능할 수 있다. 본 연구에서는 Chen et al. [Journal of Computational Physics, 445, 110624, 2021]이 개발한 강한 제약 투영(HCP) 방법을 선형 편미분방정식(PDE)에서 비선형 PDE인 1차원 Burgers 방정식으로 확장한다. 지배 방정식의 이산 근사를 엄격하게 부과하기 위해, Burgers 방정식을 (유한 차분 스텐실을 사용하여) 먼저 국소적으로 이산화한 뒤 제약 행렬과 예측 행렬로 분해한다. 선형대수 도구를 사용하여 제약 행렬로부터 투영 행렬을 구성한다. 속도를 예측하는 데에는 물리 정보 신경망(PINN) [Raissi et al. Journal of Computational Physics, 378, 686, 2019]을 사용하고, 학습되지 않는 최종 층이 속도 예측값을 Burgers 방정식의 이산화된 형태에 대한 정확한 해의 초평면으로 투영한다. 초기 결과는 HCP-PINN이 초기에는 동등한 PINN과 비슷하게 학습되며, PINN 손실이 정체될 때에도 HCP-PINN 손실은 계속 감소함을 보여 준다. 영역을 덮는 이전에 보지 못한 균일 격자점에서 시험했을 때, HCP-PINN은 더 높은 정확도를 보이며 비교 대상 PINN보다 약 한 자릿수 낮은 데이터 오차로 수렴한다. 또한 HCP 층을 포함하면 지배 PDE를 더 잘 만족함을 관찰하였다. 이러한 결과는 HCP-PINN이 물리 콜로케이션 점의 선택에 더 강건하고 콜로케이션 점의 수에 덜 의존할 수 있음을 시사한다.

arXiv:2610.39003v1cs.AI

희소 뷰 CT에서 과업 인지 투영 선택을 위한 에이전틱 AI 추론과 학습 기반 샘플링: 혈류역학 예측

Agentic AI Reasoning and Learned Sampling for Task-Aware Projection Selection in Sparse-View CT: Predicting Hemodynamics

희소 뷰 컴퓨터 단층촬영(CT)은 획득하는 투영 수를 줄이지만, 기존 샘플링 전략은 하위 물리 추론이 아니라 주로 영상 재구성을 위해 설계되었다. 본 연구에서는 희소 CT 혈관조영(CTA) 측정으로부터 혈류역학을 직접 예측하기 위한 최적의 과업 인지 투영 선택을 조사한다. 두개내 동맥류의 전산유체역학 시뮬레이션을 이용해 합성 팬빔 CTA 투영을 생성하고, 공간 분해된 시간 평균 벽면 전단응력(TAWSS) 장과 공간 평균 TAWSS라는 두 가지 목표를 예측하도록 푸리에 신경 연산자(FNO)를 학습시킨다. FNO는 동시 최적 샘플링과 학습을 위한 최적 입력 선택과 결합되었다. 우리의 목표는 에이전틱 AI가 기존 방법보다 우수한 최적 샘플링 전략을 발견할 수 있는지 조사하는 것이었다. 우리는 고정 균일 샘플링 및 황금각 샘플링을 세 가지 과업 인지 최적 선택 전략, 즉 Gumbel-Softmax, Soft top-K 방법, 에이전틱 AI 선택기와 비교했다. 이 방법들은 서로 다른 뷰 선택 예산에서 비교되었다. AI 에이전트의 추론과 성능을 이해하기 위해 상세한 분석을 수행했다. 공간 분해 TAWSS에서는 에이전틱 방식과 Soft top-K가 가장 낮은 평균 오차를 달성하며(에이전틱 방식이 약간 더 우수), 극단적인 희소성 하에서 고정 샘플링을 크게 능가한다. 공간 평균 TAWSS에서는 극도로 희소한 획득에서 최적화된 선택이 중요해진다. 선택된 마스크를 분석하면 정보가 풍부한 영역 주위에 집중된 여러 뚜렷한 부분집합이 드러난다. 더욱이 혈류역학 예측에 최적화된 마스크는 영상 재구성 품질이 낮아, 과업 최적 획득이 재구성 최적 획득과 근본적으로 다름을 보여준다. 본 연구는 하위 물리량을 중심으로 희소 획득을 직접 설계할 가능성을 시사한다.

arXiv:2610.37986v1cs.LG

조대 메시 그래프 신경망을 이용한 매개변수화된 비정상 유동의 희소 관측량 예측

Predicting Sparse Observables in Parameterized Unsteady Flows Using Coarse-Mesh Graph Neural Networks

응용에서 일부 자유도만 필요한 경우, 고차원 비선형 유동에 대한 전차수 대리 모델은 흔히 불필요하다. 본 논문은 조대 메시(coarse mesh) 위에서 그래프 신경망(GNN)을 직접 적용하여 전체 상태 복원을 거치지 않는 차수 축소 모델을 제안한다. 레이놀즈수 및 레일리수 범위에 걸친 매개변수화된 2D/3D 제한 원기둥 유동과 불균일 가열 공동에 적용한 결과, 모델은 보지 못한 조건에도 일반화되며 희소한 프로브 위치와 적분량을 정확하게 예측한다. 조대 메시 GNN은 3D 혼돈 동역학에서도 더 세밀한 메시의 대리 모델과 대등하거나 더 우수한 성능을 보이면서 학습 시간과 메모리를 줄인다. 주파수 스펙트럼 변화에 따라 유도되는 동역학 기반 적응 샘플링 전략은 무시할 만한 비용으로 균일 샘플링 대비 최대 오차를 한 자릿수 크기만큼 줄인다. 또한 조대 메시 학습은 잡음을 추가한 다단계 언롤링을 실용적으로 만들어 장기 자기회귀 예측을 개선한다. 이 접근법은 더 낮은 비용으로 매개변수 DMD, 희소 MLP, U-Net, 푸리에 신경 연산자보다 우수한 성능을 보이며, 희소 관측으로부터의 시스템 식별과 상태 추정을 가능하게 한다. 이러한 결과는 조대 메시 표현, 적응 샘플링, 잡음 추가 언롤링 학습이 솔버 해상도의 복원 없이 매개변수화된 비정상 유동의 차수 축소 모델링을 위한 효율적인 프레임워크를 이룸을 보여 준다.

arXiv:2610.37860v1cs.CV

Effects of Deep Learning Architecture and Pretraining on Automated Vocal Fold Segmentation in Ex Vivo High-Speed Phonation Images

Two-dimensional (2D) intraglottal particle image velocimetry (PIV) of ex vivo phonation experiments quantifies vocal fold medial surface dynamics and the intraglottal flow field. However, it relies on manual segmentation because residual glare, low tissue-to-flow contrast, and tracer-particle speckle obscure the vocal fold boundaries. This study assessed how deep learning architecture and ImageNet pretraining affect automated vocal fold segmentation in these high-speed images. Four established architectures from three categories were benchmarked: the convolutional neural network (CNN)-based UNet and UNet++, the hybrid CNN-transformer-based TransUNet, and the pure transformer-based Swin-UNet, the latter two trained from scratch and from ImageNet-pretrained weights. Using 16,344 expert-annotated images from 227 phonation trials of excised canine larynges, the six pipelines were trained with five seeds under a standardized protocol and compared on 50 held-out test trials using trial-level Wilcoxon signed-rank tests with Holm correction. Mean Dice similarity coefficient (DSC) spanned only 0.9734 to 0.9764, so the pipelines differed mainly in boundary fidelity. Pretraining significantly improved the boundary F1 score (BF1) and 95th percentile Hausdorff distance (HD95) of the TransUNet and Swin-UNet, about four times more for the Swin-UNet. Once pretrained, the two performed similarly, although the Swin-UNet has only about a quarter of the trainable parameters. Without pretraining, the TransUNet had a significantly higher BF1 and a lower HD95 than both CNN-based pipelines and about half their share of images with HD95 > 50 pixels. To our knowledge, this is the first study to apply deep learning to vocal fold segmentation in 2D intraglottal PIV, and it offers a reference framework for segmenting experimental flow-visualization images with noisy optical conditions or highly deformable objects.

arXiv:2510.02982v2physics.flu-dyn

oRANS: Online optimisation of RANS machine learning models with embedded high-fidelity data generation

Deep learning (DL) has shown promise for flow simulations, but progress is constrained by the scarcity of high-fidelity training data, which is costly to generate and limited to few flow conditions. Closures trained offline on such data tend to overfit and fail to generalise to new regimes. We introduce an online optimisation framework for DL-based Reynolds-averaged Navier-Stokes (RANS) closures. Training data is generated by a simulation at direct numerical simulation (DNS) resolution embedded in a subdomain of the RANS domain. The RANS solution supplies boundary conditions to the embedded simulation, which provides the mean velocity and turbulence statistics used to update the closure, which thereby adapts to the target flow without precomputed datasets. The approach is developed on the stochastically forced Burgers equation and on turbulent channel flow at $Re_\tau=180$, 270, 395 and 590 with embedded domain lengths $1\leq L_0/L\leq 8$, and is then applied to spanwise-rotating channel flow at $Ro_b=0.15$ and $0.5$, a flow in which the Coriolis force vanishes from the equations of a linear eddy-viscosity closure. Online-optimised RANS models outperform offline-trained and literature-calibrated closures with modest embedded subdomains, and in the rotating channel recover the rotation-induced asymmetry from non-rotating inflow turbulence and a rotation-blind closure. The learned coefficients are interpretable, recovering near-wall damping and, under rotation, the collapse of the eddy viscosity on the stabilised side. Performance degrades when boundary contamination dominates or domains are too short to capture low-wavenumber modes. This framework provides a route to data-adaptive machine learning closures without large precomputed training datasets.

arXiv:2610.16327v1cs.LG

Probabilistic Simulation of Gas-Liquid Interfaces with Coupled Flow Matching on Spherical Harmonics

Bubbly flows involve strongly coupled bubble motion, deformation, and hydrodynamic interactions, making high-fidelity simulation computationally expensive. We propose a neural surrogate that jointly predicts bubble trajectories and interface deformation in a compact, shared representation, replacing costly mesh-resolved simulation with fast generative inference. Because two-phase flow dynamics is nonlinear and chaotic, we treat forecasting as a conditional generative problem rather than deterministic regression, predicting entire future windows in a single pass. We train and evaluate the surrogate on BubbleSH, a Front-Tracking dataset of rising deformable bubble swarms, assessing performance using trajectory, shape, and distributional metrics over kinematic, morphological, and interaction-based properties. The surrogate reproduces key flow statistics while running several orders of magnitude faster than the underlying DNS solver.

arXiv:2610.11108v1cs.LG

Cova-PINN: 복잡한 형상에서의 유체-고체 복합 열전달을 위한 도메인 간 보존 물리 정보 신경망

Cova-PINN: Cross-Domain Conservation Physics-Informed Neural Network for Fluid-Solid Conjugate Heat Transfer in Complex Geometries

다중 도메인 물리 정보 신경망(PINN)은 유체-고체 복합 열전달(CHT)을 해결하기 위해 매질별 표현을 유연하게 모델링합니다. 그러나 표준 다중 도메인 PINN은 개별적으로 샘플링된 도메인 서포트에서 지배 방정식과 경계면 조건을 적용하므로, 그럴듯한 온도장은 도출할 수 있지만 부정확한 종단간 에너지 전달 및 출구 온도를 초래할 수 있습니다. 본 연구에서는 복잡한 형상에서 보존 서포트를 열적 상호작용 경로와 일치시키는 다중 도메인 PINN 프레임워크인 Cova-PINN을 제안합니다. Cova-PINN은 국소 규모에서의 도메인 간 복합 제어 체적 균형과 전역 열교환기 규모에서의 쌍벽 클로저(paired-wall closure)를 결합하여 최적화합니다. 공통 프로토콜 하에 CHT 특화, 최적화 지향, 복잡한 형상 PINN 기준선들과 비교하여 4개의 삼중 주기적 최소 곡면(TPMS) 열교환기 및 기하학적으로 구별되는 DualMS 설계에서 Cova-PINN을 평가합니다. 가장 근접한 기준선인 MUSA-PINN-CHT와 비교했을 때, Cova-PINN은 4가지 TPMS 토폴로지 전반에서 평균 출구 온도 및 소자 수준 클로저 오차를 각각 $37.7\%$ 및 $60.2\%$ 감소시키는 동시에, 전영역 및 열부하 정확도를 개선하고 DualMS에서도 일관된 성능 향상을 보입니다.

arXiv:2610.10897v1cs.LG

Gen-PINNs: 편미분 방정식 해결을 위한 생성적 적대 물리 정보 신경망

Gen-PINNs: Generative Adversarial Physics Informed Neural Networks for solving partial differential equations

물리 정보 신경망(PINNs)은 머신러닝을 사용하여 편미분 방정식(PDEs)을 해결하는 데 널리 사용되는 데이터 프리(data-free) 방법입니다. 최근 생성적 적대 신경망(GANs)의 발전과 함께 적대적 학습은 복잡한 데이터 기반 문제를 모델링하는 데 강력한 성능을 보여주었으나, 결정론적 물리 정보 기반 PDE 해법에서 GAN의 활용은 여전히 제한적입니다. 본 연구에서는 먼저 스펙트럼 바이어스(spectral bias), 손실 불균형(loss imbalance), 옵티마이저 정체(optimizer stagnation)를 포함하여 PDE 해결을 위한 표준 PINN의 한계점을 식별합니다. 그런 다음 급격한 전선(sharp front) 또는 충격파 전선(shock-front) 거동을 보이는 PDE의 데이터 프리 솔루션을 개선하도록 설계된 통합 결정론적 잔차-적대적 프레임워크인 생성적 적대 물리 정보 신경망(Gen-PINNs)을 제안합니다. 생성자(generator)는 동적으로 가중치가 부여된 물리 정보 손실 요소를 사용하여 기저 PDE 해를 학습하며, 별도의 판별자(discriminators)는 이상적인 무잔차(zero-residual) 상태에 대해 상호보완적인 PDE 잔차 특성을 평가합니다. 나아가 본 프레임워크는 고주파 공간 성분을 분해하기 위한 푸리에 표현(Fourier representation), 주파수 의존적 해 오차를 정량화하기 위한 정규직교 스펙트럼 진단(orthonormal spectral diagnostic), 물리, 초기 조건, 경계 조건 및 적대적 손실 목적을 위한 수정된 그래디언트 기반 동적 가중치 시스템 등 여러 방법론적 구성 요소를 개발하고 적용합니다. Gen-PINNs는 버거스(Burgers), 앨런-칸(Allen-Cahn), 쿠라모토-시바신스키(Kuramoto-Sivashinsky) 방정식을 포함한 비선형 및 고차 PDE에 대해 표준 PINN과 비교 검증되었습니다. 연구 결과는 급격한 전선, 강체(stiff) 및 고차 PDE 솔루션 전반에서 정확도와 수렴의 상당한 개선을 보여주며, 까다로운 비선형 PDE를 해결하기 위한 효과적인 접근 방식으로서 결정론적 잔차-적대적 학습의 잠재력을 강조합니다.

arXiv:2610.10430v1physics.flu-dyn

3차원 다변량 순시 도시 미기후장 생성을 위한 조건부 플로우 매칭

Conditional Flow Matching for Generation of 3D Multi-variable Instantaneous Urban Microclimate Fields

도시의 바람 및 온도장을 신속하고 정확하게 예측하는 것은 도시 미기후 설계 및 기후 적응에 중요합니다. 대와류 모사(LES)는 이러한 순시 필드를 효과적으로 분해하지만, 높은 계산 비용으로 인해 도시 미기후 응용 분야의 반복적 설계에 적용하는 데 한계가 있습니다. 기존의 회귀 기반 데이터 기반 모델(model)은 빠른 출력을 제공하지만, 난류의 확률적 특성을 본질적으로 표현하지 못하는 결정론적 점 예측만을 생성합니다. 본 논문은 건물 형상과 평균 유동을 가이던스로 활용하여 도시 미기후를 위한 타당한 3차원 순시 속도 및 온도장을 수 초 만에 생성하는 조건부 플로우 매칭(CFM) 기반의 새로운 생성 프레임워크를 도입합니다. 픽셀 공간 3D 생성 시 발생하는 GPU 메모리 병목 현상을 극복하기 위해, 모델은 전체 영역에 걸쳐 유동 구조의 높은 공간적 연속성을 보존하는 공유 노이즈 초기화(initialization)를 통해 중첩되는 픽셀 공간에서 병렬로 동작합니다. 기준 LES 데이터 대비 CFM 대리 모델은 바람 2.99%, 온도 1.77%의 정규화 평균 제곱근 오차(NRMSE)를 갖는 1차 통계량, 바람 7.17%, 온도 8.84%의 NRMSE를 갖는 2차 난류 지표, 7% NRMSE의 난류 운동 에너지, 그리고 대표 위치에서의 확률 밀도 함수 및 수직 프로파일을 신속하고 정확하게 복원할 수 있습니다. 국소 돌풍 예측에 대한 풍공학 응용을 통해 CFM의 속도와 정확도를 입증함으로써, 난류를 고려한 복원력 있는 도시 설계 및 기후 적응의 계산적 실현 가능성을 높이기 위한 생성형 AI의 활용을 뒷받침합니다.

arXiv:2610.10314v1cs.LG

PoreML: 다공성 매체 내 다상 유동 학습을 위한 데이터 기반 프레임워크

PoreML: A Data-Driven Framework for Learning Multiphase Flow in Porous Media

다공성 미세구조에서의 다상 유동(multiphase flow)은 CO$_2$ 저장, 연료전지 작동 및 플립칩 패키징에서 핵심적인 역할을 합니다. 그러나 습윤성(wettability)과 복잡한 기공 기하구조가 유체 계면의 비선형적 거동을 지배하기 때문에 이러한 유동을 예측하는 것은 여전히 까다로운 과제입니다. 머신러닝은 이 분야를 발전시킬 큰 잠재력을 지니고 있지만, 시간 분해능을 갖춘 3D 데이터셋의 부족과 모델 학습(training) 및 평가(evaluation)를 위한 통합 워크플로의 부재로 인해 발전이 제한되어 왔습니다. 이러한 중요한 공백을 메우기 위해, 본 연구에서는 기공 스케일 물리학에 기반하여 데이터 생성, 모델 학습 및 평가를 통합한 오픈소스 프레임워크인 PoreML을 소개합니다. 이 프레임워크는 세 가지 핵심 구성 요소로 이루어져 있습니다. (a) 해석해(analytical solutions) 및 기존 문헌의 실험 결과를 통해 검증된 최신 GPU 네이티브 격자 볼츠만(lattice Boltzmann) 솔버로, 재현 가능한 데이터 생성을 지원합니다. (b) 4가지 응용 기반 시나리오에 걸쳐 560회의 시뮬레이션 수행과 158,546개의 저장된 시간 단계를 포함하는 3.3 TB 규모의 데이터셋입니다. 이 궤적들은 합성 구조뿐만 아니라 실제 재료의 마이크로 CT 스캔에서 파생된 기하구조를 포괄하며, 다양한 습윤 조건과 점도비를 다룹니다. (c) 단일 단계(one-step) 예측과 자기회귀 롤아웃(autoregressive rollouts)을 평가하는 통합 학습 프레임워크입니다. 도메인 특화 평가 프로토콜을 통해 예측 정확도와 물리적 일관성을 평가합니다. 본 연구는 이러한 프로토콜에 따라 다양한 아키텍처를 가진 5가지 모델을 평가합니다. 또한 상호 보완적인 두 가지 챌린지를 통해 더 큰 영역으로의 전이 및 합성 구조에서 마이크로 CT 기반 구조로의 전이 능력을 평가합니다. PoreML은 다공성 매체 내 다상 유동에 관한 머신러닝 연구를 위한 공통 기반을 제공하며, 연구 커뮤니티가 신뢰할 수 있는 예측 모델을 개발하고 해당 분야를 발전시킬 수 있도록 지원하는 것을 목표로 합니다.

arXiv:2609.31765v2cs.CV

HGPTrans: 차량 공기역학적 항력 계수 예측을 위한 계층적 그래프 풀링 Transolver

HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction

공기역학적 항력 계수($C_D$)를 정확하고 신속하게 예측하는 것은 특히 수많은 후보 형상을 평가해야 하는 초기 설계 단계의 차량 설계에 필수적입니다. 전산유체역학(CFD)은 신뢰할 수 있는 공기역학적 추정치를 제공하지만, 높은 계산 비용으로 인해 대규모 설계 탐험(exploration)이 제한됩니다. 본 논문에서는 차량 표면 메시로부터 직접 $C_D$를 예측하기 위해 계층적 그래프 풀링(hierarchical graph pooling)과 Transolver 기반 어텐션을 결합한 계층적 그래프 풀링 Transolver(HGPTrans)를 제안합니다. 차량의 공기역학이 국소적 기하학적 특징과 공간적으로 떨어진 표면 영역 간의 장거리 상호작용 모두에 의존한다는 점에 착안하여, HGPTrans는 세 가지 상호보완적인 구성 요소를 통합합니다. 그래프 동형성 합성곱(Graph isomorphism convolution)은 변별력 있는 국소 기하학 정보를 인코딩하고, Transolver 방식의 슬라이스 어텐션은 선형 계산 복잡도로 전역적 상호작용을 포착하며, 정보 중복성을 고려한 계층적 풀링은 유익한 기하학적 구조를 보존하면서 중복 노드를 점진적으로 제거합니다. 이 모델은 대규모 DrivAerNet 및 DrivAerNet++ 데이터셋에서 학습(training) 및 평가(evaluation)되었으며, 평가된 베이스라인 중 가장 낮은 평균 절대 오차와 평균 제곱 오차를 달성했습니다. 또한 세단과 스포츠 유틸리티 차량(SUV)을 모두 포함하는 실제 차량 데이터셋에서의 전이학습(transfer learning)을 통해 일반화 성능을 추가로 검증하였으며, 차량당 약 $0.293$초의 추론(inference) 시간으로 1.56\%(세단) 및 2.12\%(SUV)의 상대 $L_1$ 오차를 기록했습니다. 이는 예측된 항력 계수를 CFD 기준치 대비 수 퍼센트 이내로 유지하면서 고정밀 CFD에 비해 몇 자릿수(orders of magnitude)에 달하는 속도 향상을 이루어낸 것에 해당합니다. 소제 연구(ablation study)를 통해 각 구성 요소의 기여도를 확인하고 네트워크 깊이 및 풀링 비율의 영향을 규명했습니다.

arXiv:2602.15472v5physics.flu-dyn

신뢰할 수 있는 유체: 비압축성 유동을 위한 물리적 특성 보존 연산자 학습

Fluids You Can Trust: Property-Preserving Operator Learning for Incompressible Flows

본 연구에서는 비압축성 나비에-스토크스(Navier--Stokes) 방정식이 지배하는 비압축성 유동을 위한 새로운 물리적 특성 보존 커널 기반 연산자 학습(operator learning) 방법을 제시합니다. 전통적인 수치 해석기는 비압축성을 준수하기 위해 상당한 계산 비용을 발생시킵니다. 연산자 학습은 효율적인 대리 모델을 제공하지만, 기존의 신경 연산자들은 비압축성, 주기성, 난류와 같은 물리적 특성을 정확히 강제하지 못합니다. 본 연구의 커널 방법은 입력 함수를 특성 보존 커널 기저 상의 출력 함수 전개 계수로 매핑하여, 예측된 속도장이 앞서 언급한 물리적 특성들을 해석적으로(analytically) 그리고 동시에 보존하도록 보장합니다. 본 연구는 해당 프레임워크에 대한 보편 근사(universal approximation) 결과 및 최악 조건 사전(a priori) 수렴 속도를 제시하며, 실증적으로 관찰된 수렴 속도는 대부분의 벤치마크에서 이러한 비관적 예측치를 상회하여 더 낙관적인 수렴 속도 정식화의 당위성을 제공합니다. 본 논문의 또 다른 주요 기여는 특성 보존 커널 방법에서 발생하는 대규모 블록 선형계를 풀기 위해 커널 그라미안(Gramian)의 스트리밍 구성과 재귀적 슈어 보강(Schur-complement) 알고리즘을 중심으로 한 새로운 계산 프레임워크입니다. 이 커널 기반 프레임워크를 통해 최대 10,000개의 공간 위치에서 샘플링된 최대 10,000개의 학습 함수 규모에서도 연산자 학습을 실용적으로 적용할 수 있습니다. 본 연구는 까다로운 2D 및 3D, 층류 및 난류 비압축성 유동 문제를 바탕으로 본 방법을 평가합니다. 본 연구의 방법은 일반화 시 신경 연산자와 비교하여 상대 $\ell_2$ 오차를 최대 6자릿수(orders of magnitude) 낮추고 최대 5자릿수 더 빠르게 학습합니다. 또한 본 방법이 비압축성을 해석적으로 강제하는 반면, 신경 연산자는 큰 발산(divergence) 오차를 보입니다. 본 결과는 본 연구의 방법이 비압축성 유동에 대해 정확하고 효율적인 대리 모델을 제공함을 보여줍니다.