도시 대기 흐름을 위한 앵커드 브랜치형 정압 풍류 변환기

본 논문은 도시 환경에서의 3차원 대기 흐름을 고성능 CFD 대신 빠르게 예측할 수 있는 메타모델, ‘Anchored‑Branched Steady‑state WInd Flow Transformer(AB‑SWIFT)’를 제안한다. 연구 배경으로는 대기 흐름이 오염 물질 확산, 풍력 발전소 설계, 실시간 위험 관리 등 다양한 분야에 핵심적이지만, 전통적인 CFD는 고해상도 메쉬와 복잡한 경계 조건 때문에 계산 비용이 prohibitive하다는 점을 들었다. 최근 딥러닝 기반 대리 모델이 등장했지만, 도시 규모의 복잡한 건물 형태와 대규모 메쉬, 그리고 대기 안정성(unstable, neutral, stable)이라는 추가 변수에 대한 일반화가 어려웠다. AB‑SWIFT는 이러한 문제를 해결하기 위해 트랜스포머 기반 뉴럴 오퍼레이터에 두 가지 핵심 설계를 도입한다. 첫째, ‘앵커드‑브랜치(Anchored‑Branched)’ 구조로, 입력을 세 가지 브랜치(장애물 포인트 클라우드, 지형 포인트 클라우드, 기상 프로파일)로 분리해 각각 인코딩한다. 장애물·지형은 각각 슈퍼노드(랜덤 샘플링된 대표점)와 반경 기반 메시지 패싱을 통해 지역 정보를 집계하고, 이후 셀프‑어텐션과 크로스‑어텐션을 통해 두 시퀀스를 상호작용시켜 하나의 ‘지오메트리 시퀀스’를 만든다. 기상 브랜치는 64층으로 이산화된 수직 프로파일(풍속, 난류에너지, 소산율, 잠재온도)을 입력으로 받아 전역적인 대기 안정성을 반영한다. 둘째, ‘앵커 어텐션(Anchor Attention)’을 활용해 연산 복잡도를 크게 낮춘다. 전체 포인트 N에 대해 직접 모든 쌍의 어텐션을 계산하면 O(N²) 비용이 발생하지만, 앵커 포인트 M(수백 개)만을 선택하고 이들에 대한 어텐션을 계산하면 O(M·N) 혹은 O(M²)로 축소된다. 이는 수백만 포인트를 포함하는 실제 CFD 메쉬에서도 메모리와 시간 효율성을 유지하게 한다. 디코더는 각 출력 변수(3차원 속도 성분, 압력, 난류량 등)마다 별도 브랜치를 두어 변수별 통계적 특성을 맞춤형으로 학습한다. 이를 통해 변수 간 스케일 차이와 분포 차이를 효과적으로 다룰 수 있다. 데이터셋은 무작위로 배치된 건물군과 평탄 지형을 기반으로 한 대규모 CFD 시뮬레이션으로 구성된다. 각 시뮬레이션은 Monin‑Obukhov 길이(Lmo)와 지면 거칠기(z₀)를 변형해 불안정, 중립, 안정 대기층을 모두 포함한다. 시뮬레이션 결과는 비정형 메쉬 형태로 제공되며, AB‑SWIFT는 이를 그대로 포인트 클라우드로 입력한다. 실험에서는 기존 최첨단 트랜스포머(예: Fourier Neural Operator)와 최신 그래프 신경망(예: Multi‑Scale GraphNet)과 비교했다. AB‑SWIFT는 모든 물리량에 대해 평균 L2 오차를 15‑20% 감소시켰으며, 특히 불안정 대기층에서 난류 강도와 와류 구조를 정확히 재현했다. 추론 시간은 GPU 기준 약 0.05 초로, 실시간 응용에 충분히 빠르다. 한계점으로는 현재 평탄 지형만을 다루고 있어 복잡한 지형(언덕·계곡)이나 식생·수체와 같은 추가 물리적 요소는 포함되지 않았다. 또한 훈련에 사용된 CFD는 RANS 모델이므로 고정밀 LES와의 차이를 완전히 메우지는 못한다. 향후 연구에서는 복잡 지형, 다중 스케일 물리(열전달·습도), 전이 학습을 통한 도메인 일반화 확대가 제안된다. 마지막으로, 코드와 데이터가 공개 저장소(https://github.com/cerea-daml/abswift)에 제공되어 재현 가능성을 보장하고, 연구 커뮤니티가 향후 모델 개선 및 다양한 도시 환경 적용에 활용할 수 있도록 한다.