벡터값 편미분 방정식(PDE)을 위한 신경 대리 모델은 학습(training) 데이터에는 잘 적합될 수 있지만, 동일한 물리적 상태가 회전된 좌표계로 표현될 때 예측값이 달라질 수 있습니다. 본 연구에서는 불규칙하게 배치된 지점에서 관측되는 3차원 나비에-스토크스(Navier--Stokes) 동역학에서 이러한 문제를 조사합니다. 우리는 회전에 의해 변하지 않는 스칼라양과 데이터를 따라 함께 회전하는 벡터 방향으로부터 국소 상호작용을 구성하는 소형 그래프 모델인 불변 조건화 등방성 커널 신경 연산자(IKNO)를 소개합니다. 그 결과, 위치와 속도를 회전시키면 예측된 속도 변화도 정확히 동일한 방식으로 회전합니다. 모델 설계 후 고정된 홀드아웃 테스트 세트에서, 무제약 그래프 모델을 무작위로 회전된 예제로 학습시키면 좌표 의존성이 줄어들기는 하지만 완전히 제거되지는 않습니다. 반면, IKNO는 수치 정밀도(precision) 수준에서 일관성을 유지하며, 파라미터 수가 5.6배 적으면서도 일반적인 회전 인지 텐서(tensor) 장 네트워크(Tensor Field Network)의 예측 정확도와 일치하고 파라미터 수가 동일한 그래프 시뮬레이터보다 우수한 성능을 보입니다. 이러한 결과는 소형 PDE 특화 모델이 예측 정확도를 희생하지 않고도 좌표 의존성을 제거할 수 있음을 보여줍니다.
물리 시스템의 기계학습 서로게이트(surrogate)는 역설에 직면한다. 복잡한 비선형 흐름을 포착하기 위한 표현력(expressivity)의 한계에 부딪히는 설명 가능한 모델과 달리, 표현력이 풍부한 딥 서로게이트는 학습된 역학을 블랙박스로 만드는 대규모 매개변수화(parameterisation)를 통해서만 고충실도(high-fidelity) 시뮬레이션과 일치한다. 여기서 우리는 유체 흐름 서로게이트의 잠재 전파자(latent propagator)를 $524{,}288$개의 학습 가능 매개변수에서 최대 $8$개로 압축하여 이 긴장을 해소하는 양자 압축 기계학습(quantum-compressed machine learning, QCML)을 제안한다. 이 매개변수 축소는 학습된 역학 법칙을 블랙박스 신경망이 아닌 물리적 구성 관계(constitutive relation)의 매개변수 규모로 끌어내려, 표현력을 희생하지 않으면서 서로게이트를 직접 해석 가능하고 제어 가능하게 만든다. 압축은 잠재 스펙트럼을 구성상 정확히 단위원(unit circle)으로 제약하는 유니터리 전파자(unitary propagator)를 갖는 구조화된 양자 회로(structured quantum circuit)로 실현되며, 자기회귀(autoregressive) 롤아웃에서 지수적 오차 증가를 선형 누적으로 대체한다. 고전적 정규화(normalization)는 이 제약을 근사할 뿐이다. 단위성(unitarity)을 향해 페널티가 부과된 양자 영감의 고전적 기준선조차 난류 채널 흐름(turbulent channel flow)에서 하나의 Lyapunov 시간 이내에 붕괴하는 반면, QCML은 전체 롤아웃 동안 안정적으로 유지된다. 회로를 매개변수화하는 공유 위상(phase) 및 결합(coupling) 각도는 모드 주파수(modal frequencies) 및 모드 간 상호작용(inter-mode interactions)에 직접 대응하여, 학습된 역학에 스펙트럼 공간(spectral space)에서의 물리적 해석을 부여한다. 두 개의 환자 특이적(patient-specific) 심혈관 벤치마크(benchmark)에서, 구조화된 QCML 전파자는 표면 압력 스펙트럼(surface pressure spectra), 압력 강하(pressure drop), 벽면 전단 응력(wall shear stress)에 대해 고전적 대응물과 동일한 예측 정확도를 달성한다. 이 결과는 QCML을 과학적 기계학습(scientific machine learning)의 실용적 구성 요소로 확립하고, 실세계 예측에서의 실용적 양자 이점(practical quantum advantage)을 향한 구체적 기여로 제시한다.
충격파와 물질 계면을 포함하는 압축성 다상 유동은 기포 붕괴(bubble collapse) 및 액적 파편화(droplet breakup)와 같은 응용에서 나타나며, 강한 비선형 상호작용이 복잡한 계면 변형, 혼합, 다중 스케일 동역학을 유발한다. 이러한 유동에 대한 신뢰할 수 있는 기계학습 서로게이트(surrogate) 모델 개발은 압축성, 급격한 불연속성, 다상 효과가 동시에 존재하기 때문에 여전히 어려운 과제이다. 본 연구에서는 충격파 구동 압축성 다상 유동을 위해 특별히 설계된 최초의 대규모 벤치마크를 제안한다. 이 벤치마크는 충격파 유도 기포 붕괴 및 액적 파편화를 포함하는 고정밀 2D 및 3D 데이터셋 2.4TB로 구성된다 \footnote{Dataset repo: https://huggingface.co/FluidVerse. Dataset sample videos, metadata.json, inference rollout plots from autoregressive rollout of the trained baselines are provided in the supplementary\_material.zip }. 우리는 벤치마킹 프레임워크 Neptuna \footnote{Benchmarking repo: https://anonymous.4open.science/r/neptuna-A4E3}에서 다양한 서로게이트 모델 계열을 평가한다. 여기에는 컨볼루션, 스펙트럴, 트랜스포머 기반, 사전학습된 PDE 파운데이션 모델이 포함된다. 표준 MSE 학습을 넘어, MSE와 Sobolev, 계면 인식(interface-aware), 구조 인식(structure-aware) 항을 결합한 복합 손실과 SoftAdapt 및 GradNorm을 이용한 적응적 손실 균형화를 조사한다. 평가에는 점별(pointwise), 스펙트럴, 특징 중심, 구조적, 물리 정보 기반(physics-informed) 지표가 포함된다. 결과는 단일 모델이 모든 데이터셋과 지표에서 최고 성능을 내지 못함을 보여주며, 복합 손실은 계면 보존과 스펙트럴 충실도를 크게 개선한다. 적응적 가중치 전략 중 SoftAdapt는 MSE 단독 학습 대비 거의 추가 비용 없이 가장 일관된 개선을 제공한다.
대규모 비전-언어 모델(LVLM)은 이미지 캡셔닝(image captioning)과 시각적 질의응답(visual question answering)과 같이 시각적·텍스트 이해를 통합하는 다양한 작업에서 인상적인 성능을 보여왔다. 이러한 모델은 텍스트와 짝을 이룬 대규모 이미지·비디오 데이터셋으로 학습되어, 시각적 지각과 자연어 처리(NLP)를 연결할 수 있다. 그러나 과학 분야, 특히 자연과학에서 흔히 사용되는 복잡한 장(field) 데이터를 해석하는 데의 적용은 아직 충분히 탐구되지 않았다. 본 연구에서는 장 데이터에 대한 대규모 비전-언어 모델의 이해를 향상시키기 위해 설계된 새로운 프레임워크인 FieldLVLM을 제안한다. FieldLVLM은 두 가지 주요 구성 요소로 이루어진다: 장 인식(field-aware) 언어 생성 전략과 데이터 압축 기반 멀티모달 모델 튜닝. 장 인식 언어 생성 전략은 특수 목적의 머신러닝 파이프라인을 활용하여 유동 분류, 레이놀즈 수(Reynolds number), 와류(vortex) 패턴과 같은 장 데이터의 핵심 물리적 특징을 추출한다. 이 정보는 데이터셋으로 활용되는 구조화된 텍스트 설명으로 변환된다. 데이터 압축 멀티모달 모델 튜닝은 생성된 데이터셋을 이용해 LVLM을 튜닝하며, 데이터 압축 전략을 통해 장 입력의 복잡도를 줄이고 가장 정보가 풍부한 값만 유지한다. 이를 통해 모델의 언어 디코더와의 호환성을 확보하고 학습을 더 효과적으로 유도한다. 새롭게 제안된 벤치마크 데이터셋에 대한 실험 결과, FieldLVLM은 과학적 장 데이터를 다루는 작업에서 기존 방법들을 크게 능가함을 보여준다. 본 연구 결과는 이 접근법이 과학 연구에 대규모 비전-언어 모델을 적용할 새로운 가능성을 열어 주며, 대규모 모델과 도메인 특화 발견 사이의 간극을 메우는 데 기여할 수 있음을 시사한다.
차량 및 항공우주 공학 등의 산업 설계 분야에서는 유체 역학 성능을 평가하기 위해 대규모 수치 시뮬레이션에 의존하는 경우가 많으며, 이는 막대한 계산 비용을 초래할 수 있다. 심층 신경망(deep neural network)은 시뮬레이션 효율성 향상에 가능성을 보여 왔으며, 특히 그래프 신경망(GNN)은 비정형 데이터에 대한 유연성 덕분에 높은 잠재력을 입증하고 있다. 그러나 GNN은 복잡한 기하학 구조와 대규모 메시(mesh)를 수반하는 작업에서 어려움에 직면한다. 본 논문에서는 이러한 과제를 해결하기 위해 다중 스케일 특징 강화 그래프 신경망(ME-GNN, Multi-scale Feature Enhanced Graph Neural Network)을 제안한다. ME-GNN은 2단계 메시지 패싱(message-passing) 메커니즘을 갖춘 그래프 신경망을 적용하여 상세한 로컬 특징을 효과적으로 포착한다. 또한 균일 격자 이산화(uniform grid discretization)를 결합한 Attention U-Net을 통합하여 세밀한 특징과 거친 특징 모두를 추출할 수 있다. 아울러 K-홉 샘플링(K-hop sampling)을 활용해 서브그래프를 구성함으로써 상세한 로컬 특징을 보존하면서 대규모 데이터셋에 대한 효율적인 학습을 지원한다. ME-GNN을 세 가지 벤치마크 데이터셋에서 평가한 결과, 최신 기술 수준(state-of-the-art)의 성능을 달성하였다: ShapeNet-Car에서 속도장(velocity field)에 대한 상대 L2 오차 0.0196, 표면 압력에 대한 상대 L2 오차 0.0556, AirfRANS에서 유동장(flow field)에 대한 정규화 평균 제곱 오차(NMSE) 0.0033, DrivAerNet에서 표면 압력에 대한 상대 L2 오차 0.1416을 기록하였다.
능동 유동 제어(active flow control)는 비선형 동역학, 부분 관측, 그리고 계산 비용이 높은 시뮬레이션을 수반하여 컨트롤러 설계가 특히 어렵다. 심층 강화학습(DRL)은 이러한 문제에 강력한 프레임워크로 부상했지만, 그 성공은 일반적으로 대량의 시뮬레이터 상호작용에 의존하며, 생성된 신경망 정책의 의사결정 과정은 해석하기 어려운 경우가 많다. 본 연구에서는 신경망 파라미터를 최적화하는 대신, 최신 코딩 에이전트를 활용하여 명시적이고 실행 가능한 피드백 법칙을 직접 탐색하는 새로운 패러다임을 연구한다. 우리는 에이전트가 공개 벤치마크 인터페이스만을 통해 상호작용하면서 컨트롤러 구현을 반복적으로 제안, 평가, 수정하는 제약된 휴리스틱 학습 프로토콜을 제안한다. 제안된 프레임워크는 1차원, 2차원, 3차원 문제를 아우르는 13개의 능동 유동 제어 벤치마크에서 평가되었으며, 동일한 시뮬레이션 예산 하에 가장 강력한 DRL 기준 모델과 비교되었다. 발견된 휴리스틱 컨트롤러는 13개 환경 중 10개에서 최고의 DRL 정책과 동등하거나 이를 능가하면서도 간결하고 해석 가능하며 직접 검사할 수 있는 형태를 유지한다. 종합적인 성능을 넘어, 도출된 컨트롤러는 물리적으로 의미 있는 피드백 메커니즘을 드러내고, 더욱 까다로운 구성으로의 전이에 성공하며, Reynolds 수와 Rayleigh 수, 액추에이터 수, 관측 희소성(sparsity)의 변화에서도 경쟁력을 유지한다. 이러한 결과는 코딩 에이전트를 통한 휴리스틱 학습이 경쟁력 있는 성능과 물리적으로 해석 가능한 컨트롤러 표현을 결합하여 기존 강화학습에 대한 신뢰할 수 있는 보완적 대안을 구성함을 시사한다. 프롬프트와 소스 코드는 https://github.com/DonsetPG/fluid-heuristic-learning 에서 확인할 수 있다.
2D Rayleigh-Bénard 대류(Rayleigh-Bénard convection) 모델링을 위해 전체 해(full solution) 대신 시간 증분(time increment)을 예측하도록 FNO(Fourier Neural Operator)를 개선한 결과, 기존 FNO 대비 평균 상대 오차를 약 2 자릿수 줄이면서도 314k 파라미터, 7ms 추론이라는 경량·고속 구조를 유지하였다. 다만 FNO가 더 세밀한 메시로의 일반화는 가능하지만, 정확도는 학습 데이터의 해상도에 의해 제한됨을 실험으로 확인하였다.
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.
랜데부는 다중 에이전트 시스템의 핵심 과제로, 에이전트들이 명시되지 않은 위치에서 만나도록 조율해야 하는 작업입니다. 그러나 유체 환경에서 이를 달성하는 것은 어려운 과제입니다. 에이전트가 수렴(convergence)을 촉진하기 위해 기저 유체 운동학을 어떻게 활용할 수 있는지 여전히 불분명하기 때문입니다. 본 연구에서는 와류 흐름(vortical flows) 내에서 물리 정보를 활용한 랜데부 전략을 개발하기 위해 다중 에이전트 강화학습(MARL) 접근 방식을 채택합니다. 에이전트가 상대방을 향해 이동하는 단순한 전략(naive strategy)과 비교할 때, MARL 전략은 랜데부 성공률을 유의미하게 향상시킵니다. MARL 전략은 또한 변화하는 와류 강도, 와류 규모, 군집(swarm) 크기에 걸쳐 전이 가능성을 보여줍니다. 상태-행동 맵(state-action map)의 대칭성을 깨봄으로써, MARL 전략은 에이전트가 분리된 와류에 갇히는 것을 방지하는 직관적이지 않은 메커니즘을 활용하여 랜데부 성공을 증진시킵니다. 또한, 학습된 전략에서 휴리스틱 전략(heuristic strategy)을 추출하였으며, 이 역시 단순한 전략보다 우수한 성능을 보입니다. 더불어, 이론적 분석을 통해 유체 변형(fluid deformation)이 랜데부 과정을 방해함을 입증합니다. 큰 유한 시간 리아푸노프 지수(finite-time Lyapunov exponents)는 유체 효과가 인접한 에이전트를 분리시키는 위치를 식별하며, 이는 목표가 약한 변형 영역(weak-deformation regions)에서 계획되어야 함을 시사합니다. 우리의 연구 결과는 에이전트-유체 상호작용이 다중 에이전트 작업에서 수행하는 중요한 역할을 밝혀내며, 복잡한 흐름 환경에서 군집 지능(swarm intelligence)을 탐색하는 MARL의 능력을 강조합니다.