PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.22422v1physics.flu-dyn

PRIMS: 다중모달 센싱을 위한 물리 유도 표현 기반 유체 식별

PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing

정확한 온디바이스(on-device) 유체 식별은 미세유체(microfluidic) 응용에 필수적이지만, 변화하는 유량, 압력, 온도 조건에서 신뢰성을 유지하는 것은 여전히 핵심 과제이다. 기존 학습 기반 방법들은 종종 센서 신호를 도메인 불변(domain-agnostic) 특징으로 취급하여 유체 거동을 지배하는 근본적인 물리적 관계를 간과함으로써 일반화와 해석 가능성을 제한한다. 이를 해결하기 위해, 우리는 물리적 지식을 표현 학습과 어텐션 메커니즘에 통합하는 물리 인식(physics-aware) 다중모달 트랜스포머인 PRIMS를 제안한다. 이는 세 가지 전용 모듈을 통해 이루어진다: (1) Physics-based Token Vectorization은 원시 Coriolis 및 압력 센서 신호를 물리적으로 의미 있는 토큰 임베딩으로 변환한다; (2) Physical Component Synthesizer는 유량, 압력, 밀도 간의 점도 관련 의존성을 모델링한다; (3) Physics-guided Fusion은 어텐션 기반 통합을 통해 물리 간 상호 상관관계를 포착한다. 이러한 물리 기반 관계를 모델 아키텍처에 직접 내장함으로써, PRIMS는 해석적 유체 역학과 심층 학습을 연결하여 해석 가능하고, 데이터 효율적이며, 회복력 있는 유체 분류를 가능하게 한다. 동적 유량, 압력, 온도 조건 하의 5종 유체 벤치마크에 대한 평가 결과, PRIMS는 단 0.46백만 개의 파라미터만으로 평균 F1-score 98.92%를 달성하였으며, 이는 최신(state-of-the-art) 트랜스포머 기반 방법 대비 14배 감소한 수준이다. PRIMS는 또한 보지 못한 온도 범위 및 보지 못한 유량 범위에 대한 분포 외(out-of-distribution) 이동에서도 기존 SOTA 모델들을 지속적으로 능가하여, 학습 중 관찰되지 않은 운전 조건에 대한 강한 견고성을 보여준다. 이러한 결과는 지배적 물리적 관계를 명시적으로 반영하는 아키텍처를 설계하면 전이 가능하고 환경 독립적인 표현을 학습하게 하여, 미세유체 센싱의 실세계 신뢰성을 향상시킬 수 있음을 시사한다.

arXiv:2606.20983v1cs.LG

디지털 트윈 기반 미세구조 진화 예측을 위한 물리 유도 완전 합성곱 시공간 학습

Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction

재료 설계에서 미세구조 진화의 이해와 예측은 핵심이지만, 순수 데이터 기반 시공간 학습 모델은 종종 물리적 일관성이 제한되고 장기 예측 정확도가 저하되는 문제를 겪는다. 본 연구에서는 미세구조 진화 예측을 위한 물리 유도 완전 합성곱 시공간 학습 프레임워크를 제안한다. 기존 자기지도(self-supervised) 접근법과 달리, 제안 방법은 지배 물리 방정식을 학습 목표에 명시적으로 통합하여, 학습된 역학이 알려진 열역학 및 운동학 법칙과 일관되도록 유도한다. 이 물리 유도 formulation은 공간 해상도 및 시간 예측 설정 전반에 걸쳐 예측 정확도, 장기 안정성, 견고성을 향상시킨다. 스피노달 분해(spinodal decomposition)에 대한 광범위한 실험은 물리 유도 잔차 정규화를 통합하면 순수 데이터 기반 베이스라인 대비 미세구조 형태학, 통계, 진화 추세를 더 충실하게 재현함을 보여준다. 제안 프레임워크는 완전 합성곱 아키텍처의 확장성과 계산 효율성을 유지하면서 고정밀 물리 기반 시뮬레이션과 데이터 기반 서로게이트 모델링(surrogate modeling) 사이의 격차를 메워, 디지털 트윈 기반 미세구조 진화 예측을 향한 신뢰할 수 있고 효율적인 서로게이트 모델링 단계를 제공한다.

arXiv:2606.12226v1cs.CV

전기 정전 용량 단층 촬영(ECT)의 물리 유도 이미지 재구성을 위한 전위 증강 벤치마크 데이터셋

An Electric Potential-Augmented Benchmark Dataset for Physics-Guided Image Reconstruction of Electrical Capacitance Tomography

심층 학습은 전기 정전 용량 단층 촬영(ECT)의 이미지 재구성을 크게 발전시켰지만, 대부분의 데이터 기반 방법은 센서를 블랙 박스로 취급하며 정전 용량과 유전율 분포 사이를 직접 매핑합니다. 이는 비선형이고 부정적(ill-posed)인 "소프트 필드" 효과를 지배하는 기본적인 물리적 연결인 전위장을 간과하는 것입니다. 이를 해결하기 위해, 우리는 ECT 이면의 잠재 물리를 학습 과정에 명시적으로 통합하도록 설계된 전위 증강 ECT 벤치마크 데이터셋을 제안합니다. 8전극 센서에 대한 COMSOL-MATLAB 파이프라인을 통해 생성된 이 데이터셋은 4가지 일반적인 유동 패턴에 걸쳐 20,000개의 무작위 샘플로 구성됩니다. 중요한 점은, 이미지로 묘사된 기존의 정전 용량 벡터와 유전율 분포와 함께, 각 샘플은 8개의 여기별(excitation-wise) 전체장 전위 맵을 보존한다는 것입니다. 데이터 공개 외에도, 우리는 ECT의 순방향(forward) 및 역방향(inverse) 문제 모두에 대한 예시 평가 프로토콜을 제공합니다. 분포 내(IID) 및 분포 외(OOD) 시나리오 모두에 대한 포괄적인 테스트를 통해, 우리는 전위 맵의 포함이 모델링 정확도와 강인성을 어떻게 향상시키는지 체계적으로 입증합니다. 근본적으로, 잠재장 정보의 명시적인 포함은 ECT 모델링에 물리 법칙을 통합하는 장벽을 크게 낮추어, 향후 ECT 이미지 재구성의 물리 유도 기계 학습을 위한 표준화된 기반을 확립합니다.