믿을 수 있는 유체: 불압축 흐름을 위한 물성 보존 연산자 학습

본 논문은 불압축 나비에‑스토크스(INS) 방정식이 지배하는 유체 흐름을 빠르고 정확하게 예측할 수 있는 새로운 연산자 학습 기법을 제안한다. 기존 수치 해법은 압축성 제약을 만족하기 위해 복잡한 포아송·헬름홀츠 연산, 프리컨디셔닝, 그리고 작은 시간 스텝을 요구한다. 반면, 최근 등장한 신경 연산자(DeepONet, FNO, Geo‑FNO, Transolver 등)는 함수‑대‑함수 매핑을 학습하지만, 무압축성, 주기성, 난류 스케일 법칙과 같은 물리적 제약을 **완전하게** 보장하지 못한다. 이로 인해 예측된 속도장이 발산을 갖거나, 에너지 스펙트럼이 물리적 법칙을 위배하는 경우가 빈번히 발생한다. 저자들은 이러한 한계를 극복하기 위해 **두 단계 커널 인터폴레이션** 기반의 프레임워크를 설계한다. 첫 번째 단계는 **물성 보존 커널 Φ** 를 정의하는 것으로, Φ는 행렬값 양의 정의(RBF)이며, 각 행렬 원소는 벡터 연산자를 포함한다. 예를 들어, 2D 경우 Φ(y, y′)=∇⊥ψ(‖y‑y′‖)·I 형태로 설계해, 모든 선형 결합이 자동으로 발산이 0이 되도록 만든다. 3D에서는 Helmholtz‑Hodge 분해를 이용해 회전 연산자를 적용한다. 또한, 주기 경계조건을 만족하도록 커널을 이미지 복제 방식으로 확장하고, 난류 경우에는 스펙트럼 가중치를 삽입해 에너지 스케일 \(E(k)∝k^{-5/3}\) 를 유지한다. 두 번째 단계는 **연산자 커널 λ** 로, 입력 함수(예: 초기 속도, 외력, 경계 조건)를 샘플링하고, 이 샘플들을 고차원 특징 공간으로 매핑한다. λ는 양의 정의 RBF이며, 리짓 파라미터 θ와 정규화 파라미터 ε를 포함한다. 학습 과정에서는 훈련 데이터 \(\{(a_i, v_i)\}_{i=1}^N\) 로부터 입력 샘플 \(\phi(a_i)\) 와 출력 샘플 \(\chi(v_i)\) 를 구성하고, 선형 시스템 \