강화학습(RL) 기반 쿼드로터 제어기는 일반적으로 단순화된 풍속 모델 환경에서 학습(training)되지만, 바람의 세기(크기)와 달리 바람장 충실도(fidelity)가 정책의 강인성에 미치는 영향은 아직 정량화되지 않았습니다. 본 논문은 무풍 비행 및 이산적 1-코사인 돌풍부터 통계적 난류, 합성 응집 구조, 대기 경계층(atmospheric boundary layer)의 대와류 모사(LES) 장에 이르는 5단계의 외란 충실도 수준을 비교합니다. 0–12 m/s 풍속 범위에서 근접 정책 최적화(PPO) 에이전트를 대상으로 완전한 교차 충실도 학습-테스트 평가를 수행하며, 학습이 필요 없는 기준선으로 종속 PID 및 기하학적 SE(3) 제어기를 함께 평가합니다. 제어기 비교에 앞서 모든 외란 데이터를 검증하여, 각 합성 생성기를 해석적 또는 인증 표준 참조와 정량적으로 대조하고 LES 장은 부과된 로그 법칙과 대조 확인했습니다. 정지 비행 중인 레이싱급 쿼드로터에서 학습-테스트 매트릭스는 놀라울 정도로 균일했으며, 비용이 가장 적게 드는 구조화된 학습 풍속인 이산 돌풍 도메인 무작위화가 모든 테스트 열에서 1위를 차지했고, 바람에 민감한 27g 플랫폼에서도 동일한 순위가 재현되었습니다. 한 차례 튜닝된 기하학적 제어기는 학습된 PPO 정책과 동등하게 0의 추락률을 기록했습니다. 메커니즘 진단 결과 바람의 현실성이 아닌 제어 권한(control authority)이 강인성의 한계를 결정하는 것으로 나타났으며, 따라서 풍속 충실도에 대한 투자는 플랫폼의 바람 민감도에 비례하여 조정되어야 합니다.
물리 정보 신경망(PINN)은 충격파를 포함하는 보존 법칙에서 부정확한 해로 수렴하는 경우가 많은데, 이는 균등하게 분포된 배치점(collocation points)이 국소화된 특징을 불충분하게 샘플링하고 이미 잘 분해된 영역에 의해 잔차가 지배되도록 만들기 때문입니다. 본 논문에서는 해 신경망이 고정된 참조 영역에서 정의되고 매개변수화된 비선형 다양체로부터의 미분동형 변형 사상과 합성되는 특징 추적 PINN(FT-PINN)을 제안합니다. 변형 매개변수와 해 신경망 매개변수는 풀백(pulled-back)된 보존 법칙 잔차를 최소화함으로써 공동으로 학습됩니다. 이를 통해 위치에 대한 사전 지식 없이도 곡선, 경사 및 병합 충격파를 포함하여 본질적으로 임의의 기하학적 형태를 갖는 특징을 따라 배치점을 집중시킬 수 있습니다. 이 프레임워크는 매개변수화 선택에 구애받지 않습니다. 경계 보존은 변위의 접선 투영을 통해 엄밀하게 적용되며, 주름(folding) 현상은 야코비안 행렬식에 대한 단측 페널티를 통해 억제됩니다. 4가지 테스트 문제(병합 충격파를 갖는 시공간 점성 버거스 방정식, 감속하는 버거스 충격파, 시공간 오일러 충격관, 정상 2차원 오일러 정규 충격파 반사)에서 FT-PINN은 제한된 배치점 예산으로도 정확한 위치에서 충격파를 분해해 냅니다. 동일한 구조, 예산 및 학습 방식을 적용한 바닐라 PINN은 충격파의 위치를 잘못 잡거나 충격파 형성에 실패합니다.
본 논문에서는 불확실한 입력 하에서 필드 값 관심 수량(QoI)을 예측하기 위한 이중 충실도(bifidelity) 카루넨-로에베 전개(KLE) 대리 모델(surrogate model)을 제시합니다. 여기서 고려하는 QoI는 스칼라 필드입니다. 본 접근법은 KLE의 스펙트럼 효율성과 다항식 혼돈 전개(PCE)를 결합하여 입력 불확실성과 출력 필드 간의 명시적 매핑을 보존합니다. 주요 응답 경향을 포착하는 저렴한 저충실도(LF) 시뮬레이션과 체계적인 바이어스(bias)를 보정하는 제한된 수의 고충실도(HF) 시뮬레이션을 결합함으로써, 제안된 방법은 정확하면서도 계산 비용이 합리적인 대리 모델 구축을 가능하게 합니다. 대리 모델의 정확도를 더욱 향상하기 위해, 교차 검증(cross-validation)을 통해 추정되고 가우스 과정 회귀로 모델링된 대리 모델의 일반화 오차를 기반으로 새로운 HF 평가를 적응적으로 선택하는 능동 학습(active learning) 전략을 개발합니다. 이후 높은 대리 모델 오차 영역을 목표로 기대 개선(EI) 기준을 극대화하여 새로운 HF 샘플을 획득합니다. 결과로 도출된 BF-KLE-AL 프레임워크는 1차원 해석적 벤치마크, 2차원 대류-확산 시스템, 레이놀즈 평균 나비에-스톡스(RANS) 및 강화된 지연 박리 와류 모사(EDDES)에 기반한 3차원 난류 원형 제트 시뮬레이션 등 복잡도가 증가하는 세 가지 예제에서 실증됩니다. 실험 결과는 이중 충실도의 이득이 LF 정확도, 불일치 근사, 시뮬레이션 비용 할당에 따라 달라짐을 보여줍니다. 능동 학습은 여러 환경에서 무작위 샘플링 대비 예측 성능을 향상하는 반면, 동일 비용 비교를 통해 유리한 체제와 HF 전용 대리 모델이 더 정확한 경우를 모두 식별합니다.
회전 유폭 엔진(RDE)은 기존 시스템보다 더 높은 열역학적 효율과 비추력을 제공할 수 있는 유망한 추진 개념이지만, 진동 또는 혼돈 전파 모드로의 전환을 포함한 비선형 현상으로 인해 실용적 운용에 어려움이 따를 수 있습니다. 심층 강화학습(DRL)은 RDE에서 관찰되는 것과 같은 복잡한 비선형 동역학을 제어하기 위한 유망한 방법으로 부상했습니다. 그러나 RDE 시스템의 다중 시간 스케일(multi-timescale) 특성으로 인해 DRL을 직접 적용하기는 까다롭습니다. 본 연구에서는 데토네이션 파동(detonation-wave) 패턴을 따르는 이동 기준틀(moving reference frame)에서 DRL 문제를 재구성하여 파동 구조가 에이전트(agent)에게 준정상(quasi-steady) 상태로 보이도록 함으로써 이 문제를 해결합니다. 이러한 재구성을 통해 빠른 데토네이션 전파와 더 느린 작동 모드 동역학 간의 스케일 분리가 가능해집니다. 저자들은 1차원 축소 차수 RDE 모델에서 공간적으로 분할된 분사 압력을 조절하고 서로 다른 모드 고정(mode-locked) 상태 간의 빠른 전환을 유도하도록 DRL 제어기를 학습시킵니다. 다양한 구동 주기, 초기 상태, 목표 모드 전반에서 이동 기준틀에서 학습된 제어기는 정지 기준틀에서 학습된 제어기보다 더 안정적으로 학습하며 더 넓은 구동 주기 범위에서 효과를 유지합니다. 이러한 결과는 대칭성을 고려한 이동 기준틀 공식화가 관련 다중 스케일 유동 제어 문제에 유용할 수 있으며, 다중 시간 스케일 시스템의 DRL 제어를 가능하게 하기 위해 스케일 분리를 가능한 한 적극적으로 활용해야 함을 시사합니다.
머신러닝 대리 모델(surrogate)은 물리 시뮬레이션을 가속하지만, 더 낮은 예측 오차가 물리적으로 유의미한 유동 통계에서의 더 낮은 오차와 반드시 일치하지는 않습니다. 본 연구에서는 전산유체역학(CFD) 시뮬레이션과 실험적 입자영상유속계(PIV) 측정을 결합하여 NACA4418 익형(airfoil) 주변의 유동에 대해 이 문제를 조사합니다. 평균을 보존하는 입력 개입(mean-preserving input intervention)을 통해 관측된 유동 이력의 특정 영역에서 속도 변동을 제거합니다. 4개의 신경망 연산자(neural operator) 전반에서, 유효하게 관측된 격자 중 에너지가 가장 높은 상위 10% 영역의 변동을 제거했을 때 동일한 면적을 무작위로 제거했을 때보다 예측 결과가 더 크게 변화합니다. 이러한 마스크는 제거된 변동 에너지에 대해 일치하도록 설계되지 않았으므로, 이 대조는 민감도를 측정하는 것이며 물리적 중요성에 대한 독립적인 증거는 아닙니다. 이와 별개로, CNO는 기준 모델에 비해 속도장 오차는 더 낮지만 두 분석 부분집합 모두에서 2성분 변동 에너지 오차는 상당히 더 높게 나타납니다. 출력 감쇠 스트레스 테스트(output attenuation stress test) 역시 벤치마크 오차와 영역 전체 합산 변동 에너지 사이의 불일치를 보여줍니다. 이러한 단일 벤치마크 결과는 종합적인 예측 점수와 함께 상호보완적인 물리적 진단 지표를 보고해야 할 필요성을 뒷받침하지만, 반사실적 물리적 정확성(counterfactual physical correctness)을 입증하는 것은 아닙니다.
주기적 활성화 함수를 갖는 아키텍처는 물리 정보 신경망(PINN)의 다양한 응용에서 단조(monotonic) 활성화 대안에 비해 이미 유리함이 보고되었다. 본 연구에서는 복소 지수 함수를 사용하여 사인·코사인 출력 쌍을 활성화 함수로 생성하는 네트워크 아키텍처를 검토한다. 정육면체 공동 Rayleigh-Bénard 대류에서 희소 속도 데이터로부터 온도를 재구성하는 과제에 대해, 동등한 사인 활성화 다층 퍼셉트론(MLP)과 비교한 결과, 학습 단계당 계산 비용이 크게 늘지 않으면서 재구성 품질이 유의미하게 향상되었다. 반대로 개선된 아키텍처는 훨씬 적은 비용으로 유사한 재구성 품질에 도달할 수 있다. 이러한 네트워크의 수학적 구조를 분석하면, 개선은 사인과 코사인 함수를 모두 순전파한다는 성질에 기인하는 것으로 보인다. 이를 통해 후속 층이 제공된 잠재 주기 함수의 위상(phase)을 각 뉴런마다 개별적으로 조정할 수 있다.
다공성 재료—자연적이거나 인공적인—는 광물 탐험 및 타이트 셰일에서의 탄화수소 회수와 같은 과정을 지배하는 이중 기공 네트워크 구조를 종종 나타낸다. 이중 다공성/투과성(double porosity/permeability, DPP) 수학 모델은 상호작용하는 두 기 pore 네트워크를 통한 비압축성 유체 흐름과 네트워크 간 질량 교환을 기술한다. 수치 방법에서 상당한 진전이 있었음에도, 신속한 예측, 데이터 동화, 그리고 신뢰할 수 있는 역해석을 가능하게 하는 계산 프레임워크에 대한 필요가 남아 있다. 이를 위해 DPP 계의 순방향 및 역모델링을 위한 물리 정보 신경망(PINN) 프레임워크를 제시한다. 제안된 접근법은 지배 방정식을 혼합 형식으로, 경계 조건과 함께, 손실 함수에 직접 인코딩하며, 각 항의 기여를 균형시키기 위한 적응형 가중치 전략을 사용한다. 프레임워크의 핵심 특징으로는 적응형 가중치 조정, 동적 collocation point 선택, 이중 기공 네트워크의 결합 거동을 효율적으로 포착하기 위한 공유 trunk 신경망 구조의 사용이 포함된다. 이 방법은 본질적으로 mesh-free이며, 다공성 매체에서 흔한 복잡한 기하에 잘 맞다. 층상 영역에서 해 필드의 불연속성을, 고전적 유한요소 formulation에서 흔히 관찰되는 spurious oscillation을 도입하지 않고 정확히 포착한다. 중요하게, 이 프레임워크는 역해석에 잘 적합하여, DPP 모델의 질량 전달 계수와 같이 핵심 물리량을 직접 측정하기 어려운 시나리오에서 견고한 매개변수 식별을 가능하게 한다. 또한 방법의 안정성, 정확도, 신뢰성을 엄밀히 평가하기 위한 체계적인 수렴 분석을 제공한다. 접근법의 효과와 계산상 이점은 일련의 대표적인 수치 실험을 통해 입증된다.
물리 정보 기반 신경망(PINN)은 미분 방정식을 풀기 위한 격자 없는(mesh-free) 접근법을 제공하지만, 그 성능은 손실 가중치 부여, 선점점(collocation point) 배치, 최적화 전략에 크게 의존할 수 있습니다. 본 연구에서는 그래디언트 노름(gradient-norm) 기반 적응형 손실 가중치 부여, 비균일 및 잔차 기반 선점점 배치, 순차적 Adam--L-BFGS 최적화를 사용하는 블라시우스 경계층(Blasius boundary-layer) 방정식을 위한 적응형 PINN 프레임워크를 개발합니다. $[1,100,100,1]$ 구조를 사용한 대표 실행에서 모델은 $f''(0)=0.3320762918$을 예측하며, 이는 고정밀 벤치마크인 $0.332057336215$와 비교하여 $1.896\times10^{-5}$의 절대 오차를 나타냅니다. 최종 가중치 적용 손실은 $6.789\times10^{-8}$이며, 예측된 유선 함수(stream-function), 속도 및 전단 프로파일은 독립적인 수치 경계값 해와 밀접하게 일치합니다. 별도의 전체 학습 구조 연구에 따르면, 2개 은닉층 모델이 테스트된 4가지 구조 중 가장 작은 벽면 전단 오차인 $1.629\times10^{-6}$을 달성하는 반면, 가장 깊은 네트워크는 가장 작은 가중치 목적 함수를 달성하지만 벽면 전단 오차는 상당히 더 큽니다. 이전에 보고된 PINN 값인 $f''(0)=0.33165$와 비교할 때, 대표 실행은 벽면 전단 오차를 약 21.5분의 1로 줄입니다. 결과는 결합된 적응형 학습 프레임워크가 블라시우스 문제에 대해 높은 정확도를 달성할 수 있으며, 가중치 적용 손실만으로는 물리적으로 가장 정확한 PINN을 식별하기에 불충분함을 보여줍니다. 적응형 구성요소들이 함께 적용되었기 때문에 현재 결과에서는 개별 기여도를 분리할 수 없으며, 별도의 평가를 위해서는 통제된 소거 연구(ablation study)가 필요합니다.
유동 조건에서 연성 소재의 역학을 모델링하는 능력은 목표 특성을 갖춘 공정과 소재를 설계·개발하는 데 핵심이다. 이를 위해서는 일반적으로 내부 응력 텐서를 구해야 하며, 이는 비선형·이력 의존적 구성(constitutive) 모델을 통해 변형 텐서와 연결된다. 비뉴턴 유체역학을 위한 전통적 수치 방법은 종종 과도한 계산 비용과 새로운 문제 인스턴스에 대한 낮은 확장성 문제를 겪는다. 데이터 기반 방법의 발전이 일부 한계를 완화했지만, 여전히 다양한 물리적 조건에 따라 재학습이 필요하다. 본 연구에서는 복잡한 유체 유동의 서로 다른 공간적 상호작용과 특징을 효율적으로 학습하기 위해 셀프 어텐션(self-attention)을 활용하는 생성형 연산자 학습(operator learning) 방법인 Rheological Operator Transformer(RheOFormer)를 제안한다. 복잡한 영역에서 점층(viscometric) 및 비점층(non-viscometric) 유동, 서로 다른 점성탄성(viscoelastic) 및 탄소성점소성(elastoviscoplastic) 역학을 아우르는 다양한 사례에 대해 RheOFormer를 정답(ground truth) 해법과 비교하여 벤치마크한다. 결과에 따르면 RheOFormer는 서로 다른 복잡 유체의 스칼라 및 텐서 형태 비선형 역학을 정확히 학습할 수 있으며, 제한된 데이터셋으로 학습한 경우에도 유동의 시공간 진화를 예측할 수 있다. 강한 일반화 성능과 계산 효율성은 RheOFormer를 예측적 복잡 유체 시뮬레이션 가속, 데이터 기반 실험 연구 진전, 광범위한 응용에서의 실시간 공정 최적화를 가능하게 하는 견고한 신경망 대리 모델(neural surrogate)로 부각시킨다.
전산유체역학(CFD)은 재실 건물의 환기 및 오염 물질 이송을 평가하는 데 널리 사용되지만, 값비싼 스캐닝 하드웨어나 수동 CAD 모델링 없이 실내 형상을 획득하는 문제, 장면을 개별적으로 조작 가능한 객체로 분해하는 문제, 그리고 실내를 다시 촬영하지 않고도 대체 레이아웃에 맞춰 해당 객체들을 재구성하는 문제라는 세 가지 병목 현상으로 인해 대규모 배포가 제한됩니다. 본 연구에서는 단일 360도 실내 비디오를 개별 편집 및 시뮬레이션이 가능한 형상 에셋으로 변환하는 반자동 워크플로우를 제시합니다. 뉴럴 래디언스 필드(NeRF)를 사용해 조밀한 포인트 클라우드를 복원하고, 텍스트 프롬프트 기반 SAM 3 세그멘테이션으로 얻은 2D 인스턴스 마스크를 다중 뷰 일관성 및 심도 대역 필터링을 통해 3D로 투영합니다. 포인트들은 옥트리(octree)를 통해 객체 인스턴스로 분리되며, 가려짐으로 인한 결손 영역은 연결성 그래프를 통해 보충됩니다. 의자 템플릿은 ICP(Iterative Closest Point) 정렬을 통해 피팅되고, 테이블 형상은 절차적으로 생성됩니다. 브라우저 기반 에디터는 품질 보증과 대체 레이아웃 구성의 신속한 구축을 지원합니다. 이후 정상 상태 레이놀즈 평균(Reynolds-averaged) OpenFOAM 솔루션이 비정상 수동 스칼라 이송을 구동하며, 해당 설정은 격자 민감도 연구를 통해 검증되고 IEA Annex 20 벤치마크를 바탕으로 유효성이 입증됩니다. 본 워크플로우를 두 곳의 대학교 강의실과 계단식 계단 강의실에 적용했습니다. 캡처에서 형상 생성까지의 과정은 소비자용 워크스테이션에서 실당 2~5시간이 소요됩니다. 한 강의실에서 진행된 제어된 장애물 추가 시퀀스에서 가구가 추가됨에 따라 모델링된 반감 제거 시간(half-clearance time)은 비단조적으로 변하며, 공간 간 비교 결과 제거 특성을 공간 간에 신뢰성 있게 외삽할 수 없음을 보여줌으로써 공간별 형상 획득의 필요성을 입증합니다. 본 워크플로우는 이러한 형상 획득을 저비용으로 가능하게 함으로써 교실과 같은 공간에 대해 형상이 상세히 반영된 비교 환기 연구를 실용적으로 수행할 수 있도록 합니다.
비정상 공력 하중의 정확한 예측은 터보머신 설계에서 여전히 중요한 난제이다. 고충실도 계산유체역학(CFD) 시뮬레이션은 비용이 크고, 공기탄성 관심량(QoI)은 압력장의 시간적 진화에 민감하게 의존한다. 본 연구는 chorochronic 수치 가설 하에서 시뮬레이션된 터빈 로터 블레이드上的 비정상 압력 분포를 예측하기 위한 신경 연산자(neural-operator) 프레임워크인 주기적 푸리에 신경 매핑(p-FNM)을 제안한다. 이 구조는 시간 주기성을 모델에 내재화하고, 운전 조건과 시간으로부터 압력장까지의 연속 매핑을 학습한다. 순차적 잠재 공간(latent-space) 접근과 달리 p-FNM은 임의의 시각에서 압력장을 독립적으로 예측하여 오차 누적을 피하면서 시간적 연속성을 유지한다. 모델은 비정상 로터-블레이드 시뮬레이션 데이터베이스에서 평가되며, 변이형 오토인코더와 순환 신경망에 기반한 차수 축소 기준선인 Temporal Prediction Model(TPM)과 비교된다. 성능은 압력장과 주요 공기탄성 QoI인 일반화 공력(GAF)에 대해 평가된다. 모든 학습 데이터셋에서 p-FNM은 TPM을 일관되게 능가한다. 가장 큰 데이터셋에서 p-FNM은 압력장 평균 절대 백분율 오차 0.46%, GAF 크기 예측 오차 4.42%를 달성하여 각각 60.7%, 77.6% 개선에 해당한다. 최소 가중 위상 오차는 0.060 rad에 이르며, 공력 응답의 시간적 특성을 정확히 보존함을 보여준다. 결과는 GAF 예측이 압력장 예측보다 더 어렵고, 스펙트럼 공력량을 정확히 예측하려면 시간적 일관성(coherence)이 핵심임을 나타낸다. 이러한 결과는 터보머신에서 차수 축소 모델링과 공기탄성 해석을 위한 주기적 신경 연산자의 잠재력을 보여준다.
승모판 역류증의 중증도 정량화는 임상적 유동 수렴(flow convergence) 기법의 가정들로 인해 여전히 한계가 있는 반면, 고충실도 시뮬레이션 및 체적 유속 측정법은 일상적인 임상 적용에 너무 느립니다. 본 연구에서는 학습된 솔루션 연산자가 체외(in-vitro) 실험에서 실제로 제공하는 희소한 관측 데이터, 즉 단일 평면 유속 슬라이스와 두 개의 경계 압력 궤적만으로 과도 상태의 3차원 판막 통과 혈류역학을 재구성할 수 있는지 조사합니다. 11개의 승모판 역류 오리피스 팬텀에 걸쳐 실험적으로 벤치마킹된 URANS 데이터베이스를 바탕으로 Deep Operator Network를 사전학습하여 마스킹된 2성분 평면 유속 스냅샷에서 주변 체적 장으로의 매핑을 학습시키고, 이후 미보유 목표 케이스의 희소 측정값에 대해 미세조정(fine-tuning)함으로써 해당 케이스에 적응시킵니다. 이러한 적응은 감독된 평면 내의 유동 위상을 안정적으로 보정하여, 사전학습된 연산자가 직선으로 예측한 강한 편심성 제트의 방향을 바로잡으며, 기반 시뮬레이션에 며칠이 걸리던 전체 장 예측을 수 분 만에 도출합니다. 그러나 그 영향력은 해당 평면으로부터의 거리에 따라 급격히 감소합니다. 위상 분해 입자 영상 유속계(particle image velocimetry) 측정값과 비교했을 때, 재구성 오차는 2mm 거리의 24.6%에서 6mm 거리의 52.6%로 증가하며, 보정된 층과 보정되지 않은 층 사이의 불일치로 인해 물리적 일관성이 저하됩니다. 따라서 단일 평면 감독은 주변 체적보다 관측 평면을 훨씬 더 효과적으로 구속하며, 본 연구는 이를 희소 평면 데이터로부터 일관된 4D 재구성을 수행하는 데 있어 주요 장애 요소로 규명합니다.
충격을 포함하는 압축성 유동에 대한 데이터 동화(DA)는 많은 고전적 DA 방법이 불확실한 충격 근처에서 스푸리어스 진동과 비물리적 특성을 유발하기 때문에 어렵다. 본 연구는 앙상블 칼만 필터(EnKF)에 초점을 맞춘다. EnKF의 낮은 성능은 불확실한 충격 위치 근처에서 발생할 수 있는 이봉형 예측 분포에 기인할 수 있음을 보이며, 이는 예측이 가우시안에 가깝다고 가정하는 EnKF의 전제를 위반한다. 이 문제를 해결하기 위해 새로운 신경 EnKF를 제안한다. 핵심 아이디어는 충격 유동의 예측 앙상블을 심층 신경망(NN)의 매개변수 공간(가중치와 편향)으로 매핑한 뒤, 그 공간에서 DA를 수행하도록 신경 함수 근사를 앙상블 DA에 체계적으로 내장하는 것이다. 비선형 매핑은 날카로운 특징과 매끄러운 유동 특징을 NN 매개변수의 앙상블에 인코딩한다. 따라서 신경 EnKF 갱신이 올바르게 이루어지려면 예측 앙상블의 신경망 표현 안에서 NN 매개변수가 매끄럽게 변해야 한다. 신경망 매개변수의 이러한 매끄러운 변화는 물리 정보 기반 전이학습으로 강제할 수 있음을 보이고, 이를 통해 신경 EnKF가 EnKF를 괴롭히던 스푸리어스 진동과 비물리적 특성을 피함을 입증한다. 신경 EnKF의 적용 가능성은 비점성 Burgers 방정식, Sod 충격관, 2차원 폭발파에 대한 일련의 체계적 수치 실험으로 보여준다.
물리 정보 신경망(Physics-informed neural networks, PINNs)은 편미분방정식을 풀기 위한 메시 프리(mesh-free) 프레임워크를 제공하지만, 비선형 문제에서는 느린 수렴, 그래디언트 불균형, 그리고 충격파와 같은 국소적·간헐적 구조를 포착하기 위한 해상도 부족으로 인해 성능이 제한되는 경우가 많다[1]. 이러한 문제는 주로 고정된 손실 가중치와 균일한 콜로케이션 포인트(collocation point) 분포를 사용하기 때문에 발생하며, 이는 학습 중 변화하는 해 필드의 복잡성에 적응하지 못한다. 이러한 문제를 해결하기 위해 본 논문에서는 그래디언트 유도 가우시안 적응형 샘플링 물리 정보 신경망(Gradient-Guided Gaussian Adaptive Sampling Physics-Informed Neural Networks, 3GAS-PINNs)을 제안한다. 이 방법은 균일 확률 분포와 해의 공간 그래디언트로부터 얻은 가우시안 평활화 확률 분포를 결합하여, 전역적인 제약 조건 만족을 유지하는 동시에 콜로케이션 포인트를 그래디언트가 큰 영역에 집중시킨다. 이에 따라 충격파와 솔리톤(soliton)과 같은 간헐적 구조를 정확하게 포착할 수 있다. 제안한 방법은 1차원 강제 Burgers 방정식, Korteweg-de Vries(KdV) 방정식, 비선형 슈뢰딩거 방정식을 포함한 세 가지 비선형 벤치마크 문제에서 평가되었으며, 이들은 모두 가파른 그래디언트 또는 강한 비선형성을 보인다. 기준선(baseline) PINNs와 비교했을 때, 3GAS-PINNs는 간헐적 영역에서의 물리적 일관성을 효과적으로 향상시킬 수 있다. 수치 시뮬레이션의 정확도는 최대 14배까지 향상될 수 있다.
While neural networks excel in autonomous control, their black-box nature makes control decisions difficult to interpret and diagnose in dynamic fluids. Here, we show how self-evolving scientific agents can design explicit, neural-network-free white-box controllers by iteratively interpreting simulation evidence, accumulating control knowledge and refining controller code. We demonstrate this approach on an underactuated two-joint swimmer navigating unsteady flows via joint angular accelerations. Starting from a target-blind propulsive controller, the agent gradually constructs key mechanisms, including travelling-wave propulsion, body-frame guidance, phase-selective steering, redirect bursts and adaptive relief. The resulting controllers reach targets and generalize across changes in target position, wake geometry, cylinder count, and inflow speed without revision. Moreover, 2D control priors transfer successfully to accelerate 3D adaptation. Our work demonstrates that self-evolving agents can autonomously design physically reasoned and generalizable white-box fluid control, showing a promising paradigm beyond traditional reinforcement learning and black-box neural network control.
4차원(4D) flow 자기공명영상(MRI)은 생체(in vivo)에서 복잡한 혈류 패턴을 시각화하고 정량화하는 강력한 비침습 기법이다. 임상적 가능성에도 불구하고, 낮은 공간 해상도와 노이즈에 대한 민감성으로 인한 널리의 채택이 제한되며, 이는 벽면 전단응력(wall shear stress), 압력 구배(pressure gradients), 난류 운동에너지(turbulent kinetic energy)와 같은 중요한 혈역학적 바이오마커의 정확한 평가를 제약한다. 이러한 한계를 극복하기 위해, 우리는 다중 스케일 특징 추출과 어텐션 메커니즘을 통합하여 4D flow MRI 데이터의 품질을 향상시키는 심층 학습 기반 초고해상도 프레임워크를 제안한다. 모델은 240개의 협착 경동맥을 가진 120명 환자 데이터셋으로 학습되었다. 고해상도 ground truth 데이터는 분할된 혈관 기하와 생리학적으로 현실적인 경계 조건에 기반한 환자별 전산유체역학(CFD) 시뮬레이션을 이용해 생성되었으며, 그 결과 속도장이 지도 학습의 타깃으로 사용되었다. 제안 아키텍처는 컨볼루션 블록 어텐션 모듈(CBAM)을 사용하여 네트워크가 임상적으로 관련 있는 공간 특징을 향하도록 유도하고 저해상도 입력의 노이즈를 억제한다. 정량적 결과는 어텐션 기반 모델이 어텐션이 없는 기준선 모델에 비해 평균제곱근오차(RMSE)를 상당히 줄였음을 보여 주며, 정성적 속도 등고선 분석은 복잡한 유동 패턴의 재구성 개선을 확인한다. 이러한 결과는 노이즈 조건에서 고충실도 유동장을 복원하는 모델의 능력을 부각하며, 비침습 혈역학 평가를 위한 4D flow MRI의 임상적 활용을 확장하는 데 심층 학습을 활용할 수 있음을 뒷받침한다.
Flow Matching [Lipman et al., 2023] 및 Rectified Flow [Liu et al., 2023]와 같은 현대의 명시적 시간 생성 모델(explicit-time generative models)은 일반적으로 최적 수송(Optimal Transport)과 연속 방정식(continuity equation)을 통해 하향식(top-down)으로 유도됩니다. 이러한 표준 오일러(Eulerian) 접근법은 확률 질량의 거시적 수송에 초점을 맞춥니다. 본 논문에서는 라그랑지안(입자 중심) 관점에 기반한 대안적인 상향식(bottom-up) 역학적 유도를 제시합니다. 연속적 디노이저(continuous denoiser)의 국소 테일러 전개(local Taylor expansion)를 분석함으로써, 최적의 단일 단계(single-step) 생성을 위해 필요한 엄격한 불변성 조건인 '타깃 정체성 보존(conservation of target identity)'의 당위성을 제시합니다. 이 조건을 적용하면 지배적인 준선형 이류 편미분 방정식(quasi-linear advection PDE)이 도출됩니다. 우리는 특성 곡선법(Method of Characteristics)을 통해 이 편미분 방정식을 풀면 Flow Matching의 직선 궤적이 해석적으로 도출됨을 증명합니다. 이러한 기하학적 관점은 디노이저의 야코비안을 궤적 곡률의 주요 원인으로 분리해 내며, 직선 플로우가 매우 큰 스텝 크기를 가능하게 하는 이유와 실증적 모델이 교차하는 특성선을 평탄화하기 위해 지식 증류(distillation)를 필요로 하는 이유에 대한 직접적인 수학적 설명을 제공합니다.
자기유체역학(MHD) 유동에서의 상태 추정(state estimation)은 토카막(tokamak) 핵융합 반응로의 액체 금속 블랭킷(blanket) 실시간 모니터링에 필수적이다. 이러한 현상의 다중물리(multiphysics)적 특성 때문에 고충실도(high-fidelity) 시뮬레이션은 실시간 응용에는 계산적으로 불가능하다. 본 연구는 희소(sparse) 온도 측정값을 전체 열-수력(thermo-hydraulic) 시스템의 상태로 매핑하기 위해 주성분 분석(Principal Component Analysis)과 결합된 얕은 순환 디코더(Shallow Recurrent Decoder, SHRED)를 사용하는 데이터 기반 차수 축소 모델(Reduced Order Model) 프레임워크를 조사한다.
본 연구의 주요 기여는 DEMO 증식(bl breeding) 블랭킷 구성을 대표하는 완전 3차원 영역에 대한 두 매개변수 분석에 있다. 여기서 유동은 방향과 강도가 변하는 외부 자기장에 노출되며, 수냉 시스템 역할을 하는 두 개의 실린더에 의해 방해받고, 이들은 표면에 온도 경계 조건을 부과한다. 이러한 이중 매개변수 자기 변화는 유동 역학에서 비선형 전환을 유발하며, 낮은 자기장 강도에서의 혼돈(chaotic) 거동부터 높은 강도에서의 층류화(laminarized) 영역까지 이르고, 30도 경사각에서 비대칭 측면층(side layers) 형성으로 특징지어진다.
SHRED 재구성(reconstruction)은 온도, 압력, 속도장에 대해 약 5%의 평균 상대 오차를 유지한다. 이 정확도는 0.075 T에서 0.300 T까지의 약·강 자기장과, 지배적인 토로이달(toroidal) 성분을 반영하는 5도에서 30도까지의 경사각 모두에서 유지된다. 이러한 오차는 저계(low-rank) 절단(truncation)이 규정하는 하한 오차 경계보다 약간 큰 수준에 불과하다. 결과는 SHRED를 완전히 보지 못한(unseen) 매개변수 시나리오를 포함하는 복잡하고 현실적인 공학 응용에서 신뢰할 수 있는 상태 추정기로 확립하고, 실제 시설의 온라인 모니터링 및 제어에 적합한 정확한 실시간 상태 추정 기법으로 검증한다.
희소한 저해상도 관측으로부터 고해상도 상태를 복원하는 것은 과학 기계학습과 데이터 동화(data assimilation)의 핵심 과제입니다. 고전적인 데이터 동화는 예측-분석 사이클을 통해 시간적 정보를 활용하지만, 비용이 많이 드는 고해상도 예측 모델에 반복적으로 접근해야 하는 경우가 많습니다. 생성형 초해상(super-resolution)은 거친 관측으로부터 해상되지 않은 구조를 복원할 수 있지만, 과거 상태로부터의 제약을 충분히 활용하지 못하는 일회성(one-shot) 매핑으로 흔히 사용됩니다. 본 논문에서는 이 두 관점을 결합한 학습 기반 데이터 동화 프레임워크인 반복적 정제(Iterative Refinement, IR)를 제안합니다. IR은 단일 저해상도-고해상도 복원을 수행하는 대신, 다중 해상도 계층에 걸쳐 해상도별 예측-분석 연산으로 과제를 분해합니다. 각 단계에서 해상도에 따라 스펙트럴 모드를 슬라이싱하는 공유 뉴럴 오퍼레이터(neural operator)가 동역학적 사전 분포(dynamical prior)를 제공하고, 공유 조건부 확산 보정기(conditional diffusion corrector)가 현재의 더 낮은 해상도 상태를 사용하여 다음 단계의 더 높은 해상도에서 정제된 사후 분포(posterior)를 생성합니다. 저희는 IR을 1차원 확률적 강제 Burgers 동역학과 2차원 Kraichnan 난류에서 평가했습니다. 까다로운 256x256 Kraichnan 벤치마크에서 IR은 RMSE 0.184와 SSIM 0.836을 달성하여 스펙트럴 업샘플링, 일회성 확산 초해상, 향상된 심층 초해상(enhanced deep super-resolution), 자기회귀 예측기를 능가했습니다. 제약이 더 많은 Burgers 테스트베드에서는 IR이 가장 낮은 RMSE를 기록한 일회성 확산 모델과 대등한 경쟁력을 유지했습니다. 이러한 결과는 일회성 생성형 복원이 더 단순한 설정에서는 효과적일 수 있는 반면, 계층적 예측-분석 정제는 강한 다중 스케일 및 과소결정(underdetermined) 영역에서 이점을 갖는다는 것을 보여줍니다. 종합하면, IR은 복잡한 물리 시스템에서의 학습 기반 데이터 동화를 위해 시간적 사전 분포, 생성형 보정, 다중 해상도 복원을 결합합니다.
매개변수화된 동역학 시스템의 순방향 및 역방향 모델링에는 상태 예측에 정확할 뿐 아니라 매개변수 보정에도 유익한 정보를 제공하는 서로게이트 모델이 필요하다. 그러나 딥러닝 기반 차수 축소(reduced-order) 서로게이트와 변분 매개변수 추정을 결합하는 체계적인 end-to-end 미분 가능 공식화는 아직 미개발 상태이다. 본 연구에서는 차수 축소 순방향 모델링과 변분 매개변수 추정을 위한 물리 인식 신경망 기반 잠재 공간 프레임워크를 제안한다. 제안하는 오토인코더 기반 접근법은 잠재 표현을 통해 물리적 매개변수를 예측 유동 필드로 매핑하는 미분 가능한 서로게이트를 제공한다. 관측 가능 지도(observable supervision)는 오프라인 학습 동안 잠 latent 변수가 시스템 매개변수와 상관된 정보를 유지하도록 유도하는 데 사용되며, 온라인 역문제는 서로게이트가 유도한 관측 연산자(observation operator)를 통해 매개변수 공간에서 풀린다. 해당 방법은 두 개의 전산유체역학(computational fluid dynamics) 벤치마크에서 평가된다. 결과는 변분 매개변수 보정을 위한 end-to-end 미분 가능성 또는 물리 인식의 부재로 인해, 재구성 정확도만으로는 역모델링에 불충분함을 보여준다. 정량적 잠재 공간 분석은 관측 가능 지도가 사례 수준 분리 가능성(separability)과 잠재 표현의 시간적 구조화를 개선함을 추가로 보여준다. 노이즈, 저해상도, 무작위 마스킹, 블록 단위 부분 관측을 포함한 현실적 측정 설정에서의 실험은 제안 프레임워크의 견고성을 입증하며, 표준 서로게이트 모델에 비해 일반적으로 보정 오차와 변동성을 줄임을 보여준다.