PyTorchKR Papers

최신 논문

총 105편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.24843v1cs.LG

차량 공기역학을 위한 신경 서로게이트의 전이 측정 및 개선

Measuring and Improving Transfer of Neural Surrogates for Vehicle Aerodynamics

외부 차량 공기역학을 위한 신경 서로게이트는 물리 기반 전산유체역학(CFD) 시뮬레이션을 빠르게 대체하는 방법이다. 이들의 근본적인 한계는 차량 유형 간 제로샷 일반화가 부족하다는 점이며, 그 결과 새로운 차량 설계마다 비용이 많이 드는 맞춤형 학습 작업이 필요하다. 다른 분야의 사전학습 모델과 마찬가지로, 사전학습된 서로게이트는 소수의 시뮬레이션만으로 새로운 차량 유형에 적응하면서도 사전학습 도메인에서의 정확도를 유지해야 한다. 이러한 전이 거동을 체계적으로 시험한 선행 연구는 없었다. 우리는 DrivAerML로 사전학습된 다섯 가지 서로게이트를 네 개의 독립적인 대상 데이터셋에 걸쳐 평가하는 대규모 통제 벤치마킹 연구를 수행한다. 이 데이터셋들은 형상, CFD 솔버, 난류 모델, 유동 조건에서 원천 데이터와 다르다. 이들 서로게이트를 미세 조정하는 것은 비교의 절반 미만에서만 처음부터 학습하는 것보다 우수했으며, 원천 데이터셋에서의 정확도를 떨어뜨리는 것으로 나타났다. 우리는 대상과 유사한 원천 시뮬레이션을 학습에 유지하고, 그 갱신을 대상 그래디언트와 일치할 때에만 적용하는, 형상 및 그래디언트 정렬 기반 원천 리플레이인 GeoReplay를 제안한다. 위험 상한(risk bound)은 형상 커버리지와 시뮬레이션된 물리의 차이를 분리하며, 충분히 작은 모든 GeoReplay 스텝이 대상 학습 목적함수를 감소시킴을 증명한다. GeoReplay는 80개 설정 중 77개에서 미세 조정의 원천 오차를 낮추면서 대상 정확도는 동등하게 유지한다.

arXiv:2611.23498v1physics.flu-dyn

PhysDial: 변화하는 물리 조건 하의 PDE 시뮬레이션을 위한 사전학습 비디오 모델의 적응

PhysDial: Adapting Pretrained Video Models for PDE Simulation under Changing Physical Conditions

물리 시스템이 변화하는 조건에 어떻게 반응하는지를 시뮬레이션하는 것은 제어, 설계, 시나리오 연구의 핵심이다. 우리가 아는 한, 기존 PDE 파운데이션 모델은 궤적 내부의 변화에 대해 학습되거나 평가된 적이 없다. 우리의 반사실적 테스트는 동일한 상태에서 출발하여 예측이 변경된 솔버 분기 쪽으로 얼마나 이동하는지를 측정한다. 고정된 조건에서 학습된 모델은 변화를 부분적으로만 따라간다. 사전학습 이후 조건 입력이 주어진 PDE 파운데이션 모델은 거의 반응하지 않는다. PhysDial은 사전학습된 비디오 디퓨전 트랜스포머를 여덟 가지 2차원 PDE 계열에 적응시킨다. 계수는 노이즈 수준과 함께, 조건 필드는 참조 프레임으로, 방정식 텍스트는 프롬프트로 입력된다. 콜모고로프 유동에서 궤적 내 전환은 학습 표본의 약 5%를 차지한다. 동일한 연산량에서 이들은 강제 파수나 진폭이 바뀐 후의 오차를 절반으로 줄인다. 새로운 진폭에서의 소수의 궤적은 외삽 오차를 절반 이상 줄인다. 물리 사전학습 없이도 PhysDial은 두 가지 난류에서 학습 조건 하에 PDE 파운데이션 모델과 동등하거나 그 이상의 성능을 보인다. 콜모고로프 테스트 분할의 64단계에서 PhysDial은 솔버의 소규모 에너지의 1.07배를, Walrus는 7.1배를 갖는다. 우리의 실험은 학습된 시뮬레이터가 학습 데이터가 예측에 그 조건을 필요하게 만드는 정도까지만 조건을 사용함을 시사한다. 개입 하에서 갈라지는 궤적으로부터 학습하면, 과학적 시뮬레이터가 시스템의 강제나 매개변수가 변할 경우 어떤 일이 일어날지 예측하는 데 도움이 될 수 있다.

arXiv:2611.22951v1physics.flu-dyn

3차원 난류의 일반화 가능한 초해상도를 위한 고차원 공간·물리 결합 연산자

A high-dimensional spatial-physical coupling operator for generalizable super-resolution of three-dimensional turbulent flows

난류를 정확하게 표현하려면 여러 스케일에 걸친 공간 구조와 속도 성분 및 밀도처럼 서로 다른 물리량 간의 복잡한 비선형 결합을 함께 포착해야 한다. 실제 난류 데이터는 하드웨어 한계와 계산 비용 때문에 공간 해상도가 낮은 경우가 많다. 기존 데이터 기반 초해상도 방법은 합성곱 신경망(CNN)으로 매핑을 학습해 가능성을 보였으나, 보통 물리 변수를 독립된 채널로 다룬다. 이런 단순화는 변수에 내재한 상관관계를 무시한다. 특히 데이터가 극도로 희소하거나 학습 분포를 벗어나면 높은 충실도로 복원하기 어렵다. 이 격차를 줄이기 위해 표준 합성곱을 공간과 변수를 함께 다루는 차원으로 확장하는 아키텍처 독립적 공간·물리 결합 연산자를 제안한다. 기존 선형 채널 혼합과 달리, CNN 안에 통합된 공간·물리 표현을 구성해 변수 사이의 국소 상호작용을 명시적으로 포착한다. 특징을 더 높은 차원의 매니폴드로 옮겨 모델의 표현 용량을 크게 높인다. 실험에서 이 접근법은 높은 복원 성능과 제로샷 일반화 능력을 보였다. 물리 구조를 고려한 귀납적 바이어스를 3차원 난류 초해상도에 제공한다. 나아가 고차원 연산자를 활용해 여러 스케일의 복잡한 난류를 모델링할 수 있음을 시사한다.

arXiv:2511.18820v3physics.flu-dyn

레이블 데이터 없이 비압축성 유동을 풀기 위한 물리 제약 신경망 해석기

A physics-constrained neural solver for incompressible flows without labeled data

본 논문은 레이블 데이터도 지도 사전학습도 필요로 하지 않는 비압축성 유동용 물리 제약 신경망 해석기를 제시한다. 이 해석기는 비압축성 조건과 경계조건(BC)을 엄격한 허용오차 이내로 강제한다. 기존 물리 기반 신경망 접근법이 다룰 수 있는 레이놀즈수가 제한적인 것은, 전통적인 유한차분 및 유한체적 해석기가 의존하는 이러한 제약을 충분히 강제하지 못하기 때문이라고 본다. 따라서 본 연구는 비압축성 유동을 물리 및 등식 제약 인공신경망(PECANN) 프레임워크 내의 제약 최적화 문제로 정식화한다. 즉, 운동량 방정식, 연속 방정식, 경계조건을 원시 변수에 대한 등식 제약으로 부과한 상태에서 압력 푸아송 잔차를 최소화하며, 조건부 적응형 증강 라그랑지안 방법으로 각 제약을 강제한다. 압력 푸아송 목적함수는 결정적으로 중요한 것으로 나타난다. 모든 벤치마크에서 이를 운동량 잔차로 대체하면 동일한 구조와 제약 강제 조건에서도 정확한 해로 수렴하지 못하는데, 이는 국소적인 운동량 잔차 최소화에는 없는 압력과 속도 사이의 전역적 타원형 결합 때문이라고 해석한다. 이류 지배 유동에 대해서는 수렴된 해를 바꾸지 않으면서 학습을 안정화하는 적응형 소멸 엔트로피 점성을 도입한다. 이 해석기는 최대 Re = 7,500까지 뚜껑 구동 공동 유동을 예측하며 중심선 속도 분포가 벤치마크 데이터와 일치한다. 또한 Re = 800의 후향 계단 유동, 3차원 비정상 벨트라미 유동, 유입-유출 구성에서의 원형 실린더 주위 정상 및 비정상 유동에 대해서도 추가로 검증되었으며, 이 중 후자에 대해서는 절제 연구를 통해 속도와 압력에 허용되는 유출 경계조건을 규명한다. 무작위로 초기화된 신경망에서 출발하고 외부 섭동이 없는 상태에서도 이 해석기는 비정상 실린더 유동에서 주기적 와류 방출이 자발적으로 시작되는 현상을 포착한다.

arXiv:2611.19753v1stat.ML

수치 풀이기가 정의한 물리 제약 다양체 위에서 자기회귀 신경 연산자 학습하기

Learning Autoregressive Neural Operators on Solver-Defined Physical Constraint Manifolds

자기회귀 신경 연산자는 학습한 전이를 반복 합성해 시간 의존 편미분방정식(PDE)의 풀이기를 근사한다. 그러나 이렇게 얻은 상태가 수치 문제의 이산 제약을 계속 충족한다는 보장은 없다. 본 연구는 각 속도 상태가 수치 풀이기의 비압축성 조건과 지정된 경곗값을 모두 만족해야 하는 비압축성 유동에서 이 문제를 연구한다. 자기회귀 연산자 학습을 수치 풀이기가 정의하는 아핀 가능 집합 사이의 사상으로 정식화한다. 이 전이 원리를 사영 잔차로 구현한 PCM-NO를 제안한다. 신경망 백본은 상태 증가량의 후보를 예측하고, 고정된 접공간 사영이 허용되는 성분을 추출하며, 거리 척도에 따른 리트랙션이 갱신된 상태를 지정된 가능 집합에 되돌린다. 아핀 제약 문제를 정확히 풀면 전이 결과가 가능 집합 안에 머문다. 또한 아핀 항등식으로 허용 갱신량의 매개변수화와 상태 수준의 닫힘을 구분할 수 있다. 근사적으로 풀 때는 접공간만 사용하는 잔차에 대해 누적 오차의 상한을 구할 수 있다. 매 단계에서 리트랙션을 적용하면 제약 위반의 크기가 현재 풀이 단계에서 달성한 잔차 수준으로 돌아간다. 주기적 나비에-스토크스 유동과 덮개 구동 공동 유동 실험에서 PCM-NO는 긴 자기회귀 롤아웃과 매개변수, 경곗값, 해상도가 바뀌는 조건에서 수치 풀이기 수준의 제약을 더 잘 보존했다. 분포 내 평가와 가혹한 조건의 평가 모두에서 롤아웃 오차가 더 낮았고 유동에 특화된 진단 지표도 더 좋았다.

arXiv:2611.19741v1physics.flu-dyn

오차는 어디에 생기는가? 3차원 공동 유동의 신경망 압력 예측에서 덮개 경계와 물체가 유발하는 오차 분리

Where the Error Lives: Separating Lid-Edge and Body-Induced Error in Neural Pressure Prediction for 3D Cavity Flow

대리 압력 모델이 유동에 잠긴 물체 주변의 압력을 더 정확히 계산하지 않고도 전체 오차를 크게 줄일 수 있을까? 본 연구는 덮개의 경계에서 속도를 평활화하지 않고 압력의 평균을 제거한 3차원 덮개 구동 공동을 원래 해상도 $128^3$에서 평가한다. 학습에 없던 형상 12개의 사례 60건에서, 전산유체역학(CFD) 참조값이 나오기 전에 예측을 확정했다. 가중치를 고정한 $64^3$ 대리 모델을 $128^3$으로 올린 결과에 물체가 없는 조건의 레이놀즈수 기반 참조 보정을 더하자, 전체 체적의 평균 상대 $L_2$ 오차가 20.6%에서 7.5%로 줄었다. 사후 영역 분석에서 덮개와 측벽이 만나는 경계는 유체의 1.5%만 차지했지만, 참조 압력 에너지의 69%와 보정 전 대리 모델 제곱 오차의 95%가 그곳에 있었다. 내부 오차의 상대 변화는 +0.16%에 그쳤으며, 물체 주변의 최대 오차와 재현율도 평균적으로 거의 변하지 않았다. 사후 구성 요소 제거 실험은 학습한 항의 기여가 내부와 물체 주변에 있음을 보여 줬다. 참조 해를 기준으로 다시 표현하면 전체 오차가 더 줄었지만, 사례 전체에서 평균한 물체 주변 지표는 거의 달라지지 않았다. 내부의 물체 인접 구간에서 참조 해를 뺀 물체 반응의 상대 오차는 여전히 약 25%였다. 격자 해상도를 높이고 덮개 경계의 정칙화와 수렴 여부를 검사해 결과가 성립하는 수치적 범위를 정했다. 이 벤치마크에서 전체 오차가 크게 줄어든 주된 이유는 공통 경계 압력장을 보정했기 때문이었다. 물체의 영향에 대한 분해능은 크게 좋아지지 않았다. 본 연구는 물체 주변 오차와 참조 해 대비 물체 반응 오차뿐 아니라, 영역별 참조 압력 에너지와 모델 오차의 비중도 보고할 것을 권한다.

arXiv:2611.19676v1cs.LG

오프라인 간접 학습과 온라인 자료 동화를 이용한 점수 기반 확률적 닫힘 모델링

Score-Based Stochastic Closure Modeling via Offline Indirect Learning and Online Data Assimilation

확률적 닫힘 모델링은 다중 스케일과 다중 물리 현상 등 크고 복잡한 계의 축소 차수 모델링에서 주목받고 있다. 적층 제조용 디지털 트윈이나 AI 에이전트용 월드 모델과 같이 계산 가능한 수준으로 단순화한 물리 기술은 수치 시뮬레이션에서 정보를 잃을 수밖에 없다. 기존 결정론적 닫힘 기법으로는 이 손실을 충분히 다루기 어렵다. 그러나 확률적 닫힘을 학습하려면 보통 닫힘 데이터가 필요하다. 측정으로 얻기 어렵거나 제1원리 시뮬레이션의 계산 비용이 지나치게 높은 경우가 많다. 본 연구는 점수 기반 확산 모델을 바탕으로 확률적 닫힘을 모델링하는 프레임워크를 개발한다. 닫힘 데이터가 직접 주어지지 않아도 오프라인 간접 학습과 온라인 자료 동화를 활용한다. 2차원 난류 수치 실험에서 간접 오프라인 학습은 주요 닫힘 통계량을 포착해 계의 상태 예측을 개선했다. 학습한 닫힘과 알려진 물리 동역학을 결합하면, 계의 상태를 바로 예측하는 순수 데이터 기반 모델보다 여러 유동 조건에서 일반화 성능이 높았다. 가우스 가정을 사용하는 표준 자료 동화와 비교해 사후 점수 자료 동화는 학습한 닫힘의 비가우스 특성을 더 잘 표현했다. 이를 상태 수준의 자료 동화와 함께 사용하면 계의 상태를 더 정확하게 예측했다. 제안 프레임워크는 역학과 공학의 복잡한 동역학계를 다루는 실제적인 조건에서도 확률적 닫힘을 모델링할 수 있게 한다. 계의 동역학이나 관측이 비선형이어서 모델 형식의 불확실성이 비가우스 통계 특성을 보이고, 실제 닫힘 데이터를 오프라인 학습과 온라인 동화 어디에서도 얻을 수 없는 경우에도 적용할 수 있다.

arXiv:2611.18796v1physics.flu-dyn

항공기 엔진 설치 소음 산란에 대한 LLM 지원 이론 모델

An LLM-assisted theoretical model for aeroengine installation noise scattering

인근의 반무한 강체 평판에 입사하여 산란되는 항공기 엔진 팬 소음이라는 표준 문제에 대한 이론 모델을 개발한다. 이 모델은 서로 다른 좌표계에서 정의된 두 개의 Wiener–Hopf 문제를 연쇄적으로 결합한다. 첫 번째 단계에서는 축대칭 원통 좌표계에서 덕트 방사 문제를 해석적으로 푼다. 두 번째 단계에서는 평판에 입사하는 장을 평면파의 이중 각스펙트럼으로 전개한다. 축방향 스펙트럼은 첫 번째 단계에서 그대로 이어받고, 스팬방향 스펙트럼은 원통 조화함수의 Weyl–Sommerfeld 전개로 생성한다. 이후 각 스펙트럼 성분이 평판에 의해 산란된다. 수학적 핵심은 축대칭 덕트 좌표계와 직교 좌표계의 평판 좌표계 사이의 좌표 변환이다. Weyl–Sommerfeld 항등식이 이 두 좌표계 사이의 정확한 스펙트럼 가교를 제공한다는 핵심적인 물리적 통찰은 전적으로 저자들에게서 비롯되었다. 두 스펙트럼 표현 사이를 변환하는 방대한 대수 계산과 이에 수반되는 수치 검증은 엄격한 인간의 감독과 독립적인 수치 교차 검증 아래 대규모 언어 모델(LLM)의 도움을 받아 수행하였다. 이러한 역할 분담을 통해 LLM은 엄밀성을 해치지 않으면서 지루한 기호 연산을 처리할 수 있다. 결과는 아음속 제트가 있는 원통형 덕트에서 정지한 외부 대기로 방사되는 스피닝 모드에 대해 제시한다. 이 사례 연구는 체계적인 검증 아래에서 LLM이 이론 유체역학의 지루한 대수 계산을 가속할 수 있음을 보여 주며, 이론 연구에서 AI의 역할에 관한 폭넓은 논의에 구체적인 실증 사례를 제공한다.

arXiv:2611.17141v2cs.LG

ISLA: 경계 구동 편미분방정식을 위한 좌표 무관 측도 가중 트랜스포머

ISLA: A Coordinate-Free, Measure-Weighted Transformer for Boundary-Driven PDEs

대칭성은 물리학의 근본 원리이다. PDE로 기술되는 시스템의 거동은 이를 표현하는 데 사용한 좌표계, 단위계, 메시에 의존하지 않으며, 대리 모델 역시 그러해야 한다. 그러나 오늘날의 선도적인 신경 대리 모델은 이러한 불변성을 갖추지 못하여 동일한 문제에 대한 단순한 변환에서도 실패한다. 한 가지 자세(즉 병진과 회전)의 자동차 PDE로 학습한 모델의 경우, 전체 PDE를 회전시키면 표면 압력 오차가 4%에서 100% 이상으로 증가하고, 경계를 재샘플링하면 약 30%로 증가한다. 본 논문은 정상 상태의 경계 구동 PDE를 위한 슬라이스 어텐션 트랜스포머인 ISLA(Invariant Slice Attention)를 제안한다. 경계가 내부 해를 결정하므로, ISLA는 배치된 경계를 학습된 슬라이스로 한 번 인코딩하고, 트리로 가속된 학습 경계 커널을 통해 임의의 내부 점을 독립적으로 평가한다. 입력은 경계로부터 계산된 스케일로 무차원화되고, 경계 셀에 대한 합은 메시 세분화에 따라 수렴하는 면적 가중 구적법이며, 기하 정보는 등변 슬라이스 앵커까지의 거리와 상대 각도로만 입력된다. 이에 따라 모델은 선택적 토큰 부분 샘플링과 트리 클러스터링을 제외하면 강체 운동과 반사에 대해 등변이다. 다양한 기하, 자세, 물리적 스케일, 경계 조건에 걸친 2,816개의 3D 유동으로 구성된 AeroZoo에서 ISLA의 기준 스케일 평균 속도 및 압력 오차는 어떤 기준 모델보다 각각 최소 1.9배, 2.2배 낮다. 전체 AirfRANS에서는 ISLA가 명시적 경계적분 네트워크(GLOBE)에 이어 두 번째이며, 모든 필드에서 Transolver와 GeoTransolver보다 오차가 최소 1.6배 낮다.

arXiv:2609.39291v2cs.LG

적응형 장 재구성을 위한 물리 기반 GMDH

Physics-Informed GMDH for Adaptive Field Reconstruction

물리 기반 계산 방법은 대개 구조가 사전에 고정된 함수 표현 안에서 파라미터를 최적화한다. 본 연구는 결합된 물리 장의 표현을 해를 구하는 과정에서 점진적으로 구성하는 물리 기반 그룹 데이터 처리 방법(PI-GMDH)을 제안한다. 후보 함수 방향은 전체 물리 및 관측 목적 함수의 1차 변분을 통해 평가되고, 패키지 단위로 도입되며, 이어서 블록 좌표 감쇠 가우스-뉴턴 계수 최적화가 수행된다. 이 프레임워크는 2차원 시간 의존 테일러-그린 벤치마크를 사용한 비압축성 나비에-스토크스 방정식에 대해 텐서곱 체비쇼프 함수로 시연된다. 시험한 구성에서 적응형 PI-GMDH는 u, v, p에 대해 각각 204개, 201개, 175개의 활성 함수로 검증 손실 5.299e-19와 보류 시험 손실 5.296e-19에 도달했다. 구조 구성 정책의 효과를 검토하기 위해 차수별 완전 변형과 전체 항 PI-GMDH 변형을 선택된 PINN 및 KAN 기준 구성과 함께 사용한다. 테일러-그린 실험은 패키지 단위 구조 성장 정책이 시험한 구성에서 달성되는 재구성 정확도, 표현 크기, 계산 비용에 상당한 영향을 줄 수 있음을 보여 준다. 이 결과는 PI-GMDH가 물리 기반 회귀와 장 재구성을 위한 자기 조직화 기저 구성 프레임워크임을 뒷받침하지만, 후보 점수화 메커니즘의 이점이나 다른 물리 기반 접근법에 대한 일반적인 우월성을 별도로 입증하지는 않는다.

arXiv:2608.29939v2physics.flu-dyn

미세 채널 내 점탄성 유체의 유동 전위 매개 전기동역학적 수송에 대한 데이터 기반 설계 최적화

Data-Driven Design Optimization of Streaming-Potential-Mediated Electrokinetic Transport of Viscoelastic Fluids in Microchannels

점탄성 유체의 유동 전위 매개 수송은 전기동역학적 에너지 변환과 미세유체 수송에 대한 응용 덕분에 연구자들의 관심을 받아 왔다. 기존 문헌의 해석적 및 반해석적 모델은 귀중한 물리적 통찰을 제공하지만, 넓은 설계 공간을 탐색하고 최적의 작동 조건을 찾기 위해 반복적인 수치 평가를 필요로 한다. 본 연구에서는 슬릿 미세 채널 내 단순화된 Phan-Thien-Tanner 유체의 압력 구동 전기동역학적 수송에 대한 신속한 설계 최적화를 위한 대리 모델 기반 프레임워크를 개발한다. 제타 전위, 데바이 매개변수, 두킨 수, 점탄성 매개변수를 포함하는 지배 무차원 매개변수의 넓은 범위에 걸쳐 고정밀 수치 데이터베이스를 생성한다. 이어서 신경망 대리 모델을 학습시켜 지배 매개변수와 유동 전위 간의 비선형 관계를 정확하게 근사하며, 체적 유량과 수력-전기 에너지 변환 효율은 대리 모델이 예측한 유동 전위를 사용하여 닫힌 형태의 식으로 계산하였다. 이를 다목적 최적화 전략과 결합하여 에너지 변환 효율과 체적 유량을 동시에 최대화하는 작동 조건을 찾는다. 제안한 방법론은 여러 매개변수에 대해 수치 시뮬레이션을 반복하는 것에 비해 매개변수 탐색을 크게 가속할 수 있으며, 전기동역학적 미세유체 소자에 대한 실용적인 설계 지침을 제공한다. 본 연구는 전산 유체역학과 데이터 기반 대리 모델링을 결합하여 효율적인 공학적 설계와 최적화를 수행할 수 있는 잠재력을 보여 준다.

arXiv:2611.18008v1cs.LG

미분 가능 시뮬레이션을 통한 자기대류 유동의 샘플 효율적 제어

Sample-Efficient Control of Magnetoconvective Flows via Differentiable Simulation

자기유체역학(MHD) 유체 유동은 까다로운 공학 응용, 특히 핵융합 블랭킷 냉각에서 핵심적이며, 이곳에서 유동 제어는 열전달과 같은 주요 특성을 최적화하는 유망한 수단이다. 능동 유동 제어(AFC)는 최근 기계학습을 통해 발전했으나, MHD 유동에 대한 적용은 대체로 탐구되지 않았다. 본 연구에서는 AFC를 겨냥한 새로운 미분 가능 GPU 가속 MHD 솔버인 $\phi$-PICT를 제시한다. 우리는 $\phi$-PICT를 MHD 벤치마크에 대해 검증하고 높은 계산 효율을 입증한다. FluidGym에 통합된 $\phi$-PICT는 샘플 효율적인 그래디언트 기반 알고리즘이 열전달을 $>25$% 향상시키도록 하며, 최적화기가 역설계에서 블랙박스 방법보다 $10^3\times$ 더 높은 정확도를 달성하도록 한다. $\phi$-PICT는 https://github.com/upb-sciml/phiPICT 에서 공개되어 있다.

arXiv:2611.17067v2physics.flu-dyn

용융염 고속로 열수력 해석을 위한 반복적 솔버 결합 기반 불변 신경망 와점성 폐합 모델

An Invariant Neural-Network Eddy-Viscosity Closure with Iterative Solver Coupling for Molten Salt Fast Reactor Thermal-Hydraulics

System Analysis Module(SAM)과 같은 시스템 열수력 코드는 대수적 영방정식 혼합길이 모델로 거친 격자에서 난류를 폐합한다. 이러한 모델은 개방형 공동을 가진 첨단 원자로의 비평형 난류, 유동 박리, 대규모 재순환을 표현하지 못한다. 본 연구는 SAM을 위한 불변 신경망 와점성 폐합 모델을 개발하고 이를 용융염 고속로(MSFR)에 적용한다. 이 폐합 모델은 난류 수송 방정식을 풀지 않고도 이웃 요소의 유동과 기하 정보로부터 각 요소의 난류 운동에너지와 시간 척도를 예측한다. 그 결과로 얻어지는 비음수 와점성은 암시적 확산 연산자에 들어가며, 이는 운동량 방정식의 조건수를 양호하게 유지한다. 본 폐합 모델이 병진, 갈릴레이 부스트, 회전, 반사, 이웃 순서에 대해 정확히 불변임을 증명한다. 고차 Nek5000 장으로 학습한 네트워크는 거친 SAM 격자에서 서로 다른 특징 분포를 접한다. 고정된 Nek5000 목표값에 대해 SAM 유동 상태로 네트워크를 반복적으로 재학습시켜 이러한 공변량 이동을 제거한다. 학습에 사용되지 않은 정상 상태에 대해, 결합된 폐합 모델은 Nek5000 기준 해의 단일 재순환 셀과 와점성 플룸을 재현한다. 120초 펌프 코스트다운 과도 상태에서는 혼합길이 모델의 속도 오차를 37.6%에서 17.7%로 절반 가까이 줄이며, Nek5000의 와점성과 시간 평균 상대 오차 12%로 일치한다. 남은 속도 오차는 거친 격자에서 비롯된다. 결합된 과도 해석은 약 0.2 코어-시간이 소요되며, Nek5000의 약 330 코어-시간과 비교된다. 이 결과는 해당 폐합 모델이 CFD 비용의 극히 일부만으로 거친 격자의 시스템 코드에서 2방정식 RANS 난류 거동을 복원할 수 있음을 보여준다.

arXiv:2605.16573v2cs.LG

다중 스케일 물리 에뮬레이션을 위한 웨이블릿 플로 매칭

Wavelet Flow Matching for Multi-Scale Physics Emulation

편미분방정식으로 기술되는 다중 스케일 물리 시스템을 정확하게 에뮬레이션하려면, 긴 자기회귀 롤아웃에서도 안정적이면서 미세 스케일 구조를 보존하는 모델이 필요하다. 결정론적 에뮬레이터는 지나치게 평활화된 예측을 생성하고, 생성적 접근법은 세부 구조를 더 잘 포착하지만 비용이 크다. 잠재 공간 생성 모델은 절충안으로 등장했으나 별도로 사전학습된 오토인코더라는 추가 비용이 든다. 본 연구는 다중 스케일 웨이블릿 공간에서 직접 최적 수송 플로 매칭을 수행함으로써 비용과 성능 간의 기존 트레이드오프를 극복하는 생성형 에뮬레이터인 웨이블릿 플로 매칭(WFM)을 제안한다. WFM은 잠재 압축을 학습하는 대신 U-Net의 계층적 구조를 활용하여, 사전에 정해진 무손실 웨이블릿 표현의 수송 속도를 공동으로 예측한다. 혼돈 유체 역학을 다루는 세 가지 어려운 시스템에서 WFM은 최첨단 모델 대비 우수한 스펙트럼 일관성과 대등하거나 더 나은 장기 예측 정확도를 달성한다. 이러한 결과는 웨이블릿 공간이 복잡한 물리 동역학의 생성형 에뮬레이션을 위한 효과적인 학습 불필요(training-free) 표현임을 보여 준다.

arXiv:2611.14534v1cs.CE

신경 기저 방법을 이용한 유체 유동 네트워크의 비선형 과도 동역학 학습

Learning Nonlinear Transient Dynamics in Fluid Flow Networks with the Neural Basis Method

파이프라인 인프라에서 생물학적 혈관계에 이르는 유체 유동 네트워크는 접합부에서의 연속성 및 보존 조건으로 결합된 비선형 변(edge)별 쌍곡 법칙에 의해 지배된다. 다중 질의 작업은 보지 못한 매개변수 설정에 대한 빠른 평가를 요구하지만, 기존 방법은 질의마다 시스템을 다시 풀어야 하므로 비용이 과도하다. 기존의 물리 정보 기반 신경망 접근법은 일반적인 신경 근사기에 대해 페널티 손실을 통해 지배 방정식을 부과하는데, 이러한 손실은 최적화 대리 함수로만 작용하여 손실의 감소가 해의 오차 감소를 보장하지 않으며, 특히 쌍곡 시스템에서는 최적화가 악조건화되기 쉽다. 우리는 신경 기저 방법의 '표현 후 투영' 원리에 기반하여 유체 유동 네트워크를 모델링하는 새로운 접근법을 제안한다. 고정된 신경 기저가 각 변에서 표현 공간을 정의하고, 이산화된 방정식의 투영이 전개 계수를 결정하여 변별 법칙을 보존형 정식화에 내재시킨다. 변의 부분 영역들은 비중첩 영역 분할을 통해 결합되며, 신경 연산자가 이 축소된 공간에서 전개 계수로의 매개변수 사상을 직접 학습한다. 루프형 및 분기형 네트워크 위상에서 우리는 상대 $L^2$ 오차 0.02% 미만으로 참조해를 재현하였으나, 물리 정보 기반 신경망 기준선은 실패하였다. 보간과 외삽 모두에서 보지 못한 경계 조건에 대해 평균 압력 오차는 1% 미만, 평균 유량 오차는 3.3% 미만을 유지한 반면, 물리 정보 기반 DeepONet 기준선은 압력 오차 8-18%, 유량 오차 85-95%에 달하였다. 이러한 결과는 본 프레임워크가 유체 유동 네트워크의 실시간 모니터링, 설계 탐색, 불확실성 정량화에 활용될 잠재력을 지님을 보여준다.

arXiv:2608.04222v2physics.flu-dyn

TIDE: 과학 머신러닝 발전을 위한 물리적으로 다양한 3차원 난류 벤치마크 데이터셋

TIDE: A Physically Diverse 3D Turbulence Benchmark Dataset for Advancing Scientific Machine Learning

난류는 지배 법칙이 정확히 알려져 있기 때문에 물리적 동역학에 대한 기계학습의 핵심 시험 대상이다. 그러나 기존 연구 대부분은 2차원에 머물러 있으며, 3차원 난류는 물리적 특성이 근본적으로 다르고 시뮬레이션 비용도 훨씬 크다. 또한 기존 3차원 자료는 대개 구성당 하나의 실현만 제공하므로, 동역학을 학습하는 것과 단일 유동의 통계에 맞추는 것을 구분하기 어렵다. 본 논문에서는 3차원 비압축성 난류를 위한 256^3 DNS 코퍼스이자 벤치마크인 TIDE(Turbulent Incompressible DNS Ensembles)를 소개한다. TIDE는 통제된 여덟 개의 축에 걸친 15개 구성, 독립적인 앙상블, 압력장, 방정식 수준의 검증을 포함한다. 이 벤치마크는 다섯 가지 과제, 표준화된 학습 기반 기준 모델, 통제된 일반화 분할, 점별 오차와 함께 사용하는 물리적 충실도 지표를 포함한다. 주요 예측 구성 전반에서, 고정된 기준 학습 방식으로 훈련된 현재의 학습 모델은 지속성(persistence) 기준을 간신히 능가하며, 참 방정식이 주어진 스펙트럼 해석기 대비 여전히 약 두 배의 오차를 보인다. 더 나아가 점별 오차가 더 낮더라도 소규모 동역학이 심하게 왜곡될 수 있어, 정확도만으로는 물리적 충실도가 보장되지 않음을 보여 준다. 롤아웃 안정성은 구성, 학습 시드, 그리고 각 궤적을 학습 표본으로 얼마나 촘촘하게 사용하는지에 따라 달라진다. 인접한 영역에 걸친 공동 학습은 우리가 시험한 전이 격차를 해소하지 못하며, 강제-감쇠 대비는 조건화 한계를 규정한다. 즉 현재 강제 상태의 추정값은 강제 입력이 없는 스펙트럼 해석기가 범하는 오차의 20-41%를 제거하는 반면, 이력 또는 강제 입력은 일부 학습 아키텍처에만 도움이 된다. 이러한 정확도, 충실도, 조건화의 격차를 해소하는 것이 TIDE로 측정 가능해진 핵심 미해결 문제이다. https://github.com/Dyloong1/TIDE-dataset-benchmark

arXiv:2503.08907v3cs.LG공식 코드 · Papers with Code

모델에서 실험으로: DYNASTY 실험 시설에 대한 얕은 순환 디코더 네트워크

From Models To Experiments: Shallow Recurrent Decoder Networks on the DYNASTY Experimental Facility

얕은 순환 디코더(Shallow Recurrent Decoder) 네트워크는 희소 관측을 고차원 모델 데이터와 결합하는, 상태 추정을 위해 최근 도입된 새로운 패러다임이다. 이 아키텍처는 표준 데이터 기반 방법에 비해 다음과 같은 중요한 장점을 지닌다. 즉, (무작위로 선택된 경우에도) 단 세 개의 센서만으로 물리 시스템의 전체 동역학을 재구성할 수 있고, 축소 기저로 생성된 압축 데이터로 학습할 수 있으며, (측정이 쉬운) 단일 장 변수를 측정하여 관측할 수 없는 결합된 시공간 장을 재구성할 수 있고, 하이퍼파라미터 조정이 최소한으로 필요하다. 이 접근법은 원자로를 포함한 여러 분야의 다양한 테스트 사례에서 검증되었으나, 현장에서 관측된 양을 활용한 실제 실험 시설에의 적용은 아직 이루어지지 않았다. 본 연구는 이러한 공백을 메우기 위해, 특히 순환 연료 원자로의 경우를 중심으로 4세대 응용을 위한 내부 가열 유체에 의해 형성되는 자연 순환을 연구하는, 밀라노 공과대학교(Politecnico di Milano)에 구축된 DYNASTY 시설에 얕은 순환 디코더 아키텍처를 적용하는 것을 목표로 한다. 고충실도 데이터를 생성하기 위해 RELAP5 코드를 사용하며, 시설에서 추출한 온도 측정값을 상태 추정의 입력으로 사용한다. 본 연구의 결과는 이 접근법이 정확한 상태 추정을 제공하는 능력을 보여줌으로써 공학 시스템에 대한 얕은 순환 디코더 아키텍처의 검증을 제공할 것이다.

arXiv:2611.17152v1cs.LG

AeroZoo: 공기역학 파운데이션 모델을 위한 적정 문제 설정 유동 문제 벤치마크

AeroZoo: A Benchmark of Well-Posed Flow Problems for Foundation Models of Aerodynamics

전산유체역학(CFD)을 위한 신경 대리 모델은 각각 하나의 유동 영역에서 하나의 설계 계열만 변화시키는 데이터셋으로 학습되고 순위가 매겨진다. 이러한 데이터셋은 공기역학 파운데이션 모델이 최소한 해내야 하는 것, 즉 새로운 형상이 새로운 인클로저에 놓인 경우의 CFD 품질 비압축성 유동을 수 초 안에 예측하는 능력을 시험할 수 없다. DrivAerML에서는 더 큰 모델과 더 긴 학습이 Transolver의 오차를 거의 낮추지 못하며, 학습 사례를 두 배로 늘리면 400개 사례까지 오차가 약 12% 줄다가 데이터셋이 소진된다. 우리는 천이 모델을 포함한 비정상 레이놀즈 평균 Navier--Stokes(RANS) 방정식의 시간 평균 해 3,815개로 이루어진 벤치마크이자 학습 코퍼스인 AeroZoo를 소개하며, 이는 일곱 가지 형상 계열, 여덟 가지 인클로저 구성, $10^3$에서 $10^8$까지의 레이놀즈수를 아우른다. 각 샘플은 솔버가 받는 형태, 즉 조건 유형별로 묶인 경계 메시, 지정된 값, 유체 물성으로 적정 문제 설정의 PDE 문제를 제시한다. 안정적인 시간 평균을 가진 2,816개 샘플이 정식 벤치마크를 이루며, 두 개의 과제, 공학 지표, 형상 기준으로 서로소인 22개의 고정 분할로 구성되어 형상 계열, 인클로저, 경계 조건 배치, 레이놀즈수 범위를 보류한다. 무작위 분할에서 경계 조건 토큰은 단일 시드 실행에서 GeoTransolver의 속도 오차 중앙값을 유입 속도의 76.9%에서 8.4%로 낮춘다(균일 유입 유동: 11.0%). 경계 구동 PDE를 위한 트랜스포머인 ISLA는 네 개 시드에서 5.3%에 도달하며, 이는 더 촘촘한 메시로 인한 변화의 약 4배이다. 동일한 테스트 샘플에서 보류된 형상 계열은 균일 유동 대비 ISLA의 오차를 거의 바꾸지 않지만, 보류된 인클로저 또는 경계 조건 배치는 오차를 2.4배에서 9.2배로 높인다. 데이터와 채점 코드는 공개될 예정이다.

arXiv:2611.17111v1physics.flu-dyn

시공간 학습을 통한 공극 공간 진화 및 유체 치환 정량화 개선

Spatiotemporal learning improves quantification of pore-space evolution and fluid displacement

공극 공간의 진화와 유체 치환은 암석이 유체를 전달하고 저장하는 방식에 영향을 주며, 지질학적 탄소 저장, 지하 수소 저장, 지하수 오염물질 이동에 영향을 미친다. 하나의 시간 분해 마이크로 CT 실험은 수십에서 수백 장의 3차원 영상을 생성할 수 있으며, 물리적 특성을 정량화하고 영상 기반 시뮬레이션을 수행하려면 분할이 필요하다. 임계값 처리와 같은 전통적 방법은 노이즈가 많고 대비가 낮은 영상에서 성능이 떨어지고 영상마다 수동 조정이 필요하며, 3D 딥러닝 네트워크는 시간 정보 없이 각 영상을 분할하므로 오류가 영상마다 달라 물리적 변화로 오인될 수 있다. 본 논문은 공간 및 시간 정보를 결합한 트랜스포머 기반 4D 분할 프레임워크를 제시한다. 이 방법은 순차적 영상을 사용하여 모호한 상 할당을 해소하고 물리적 변화를 분할 오류와 분리한다. 광물 용해 영상으로 시험한 결과, 시간 정보를 무시하는 동등한 3D 모델보다 공극 부피 증가와 암석 경계를 더 정확하게 측정한다. 또한 기준 분할 및 유동 시뮬레이션으로 검증된 투과도 증가도 포착한다. 이러한 이점은 재학습 없이 다른 용해 시료로도 이어진다. 유체 치환에 관한 다른 두 데이터셋에서는 예측된 암석과 공극률 변동에서 가짜 변화를 줄이고 충전 사건을 정확하게 식별한다. 시공간 분할은 영상별 매개변수 조정 없이 수백 장의 3차원 영상 시퀀스를 공극 공간 진화와 유체 치환에 대한 더 신뢰할 수 있는 정량적 측정값으로 바꾸어 시간 분해 CT 영상 분석을 뒷받침한다.

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.