안정적인 장기 유체 역학 예측을 위한 이중 스케일 신경 연산자

본 논문은 장기 유체 역학 예측에서 신경 연산자들이 흔히 겪는 두 가지 근본적인 실패 모드, 즉 “지역 세부 흐림(local detail blurring)”과 “전역 궤적 편차(global trend deviation)”를 체계적으로 분석한다. 기존의 Fourier Neural Operator(FNO), Convolutional Neural Operator(CNO), Latent Spectral Model(LSM) 등은 고주파 구조를 보존하는 데 한계가 있어 시간이 지남에 따라 소용돌이 코어와 급격한 기울기가 점차 사라지는 현상을 보인다. 반면 SimVP와 같은 모델은 고주파를 어느 정도 유지하지만, 전체 흐름의 이동 경로가 점차 실제와 어긋나는 위상 drift를 나타낸다. 저자들은 이러한 현상이 물리적 메커니즘의 스케일 차이에서 비롯된다고 주장한다. 2D 나비에‑스토크스 방정식의 비선형 항(u·∇)ω는 근접 소용돌이 간의 급격한 변형을 야기하는 고주파 성분과, 전체 압력 장을 통한 비국소적 결합으로 흐름의 전역 이동을 결정하는 저주파 성분을 동시에 포함한다. 따라서 하나의 연산 블록으로 두 스케일을 동시에 처리하려 하면, 고주파는 과도한 블러링으로, 저주파는 누적된 위상 오류로 각각 손실된다. 이를 해결하기 위해 제안된 Dual‑Scale Neural Operator(DSO)는 두 개의 상호 보완적인 모듈을 병렬로 배치한다. 첫 번째 모듈은 깊이별 분리 컨볼루션(depthwise separable convolution)을 사용해 각 채널에 독립적인 작은 수용 영역 필터를 적용한다. 이는 파라미터 효율성을 유지하면서도 국소적인 급격한 회전, 소용돌이 코어의 날카로운 경계, 급격한 기울기 등을 정확히 포착한다. 두 번째 모듈은 MLP‑Mixer를 도입해 채널 차원과 공간 차원을 번갈아 섞으며 전역적인 정보를 집계한다. MLP‑Mixer는 전통적인 self‑attention보다 계산량이 적으면서도 전체 이미지에 걸친 저주파 상관관계를 효과적으로 학습한다. 두 모듈의 출력을 스킵 연결과 가중합을 통해 결합함으로써, DSO는 고주파와 저주파를 동시에 보존한다. 구조적 상세는 다음과 같다. 입력 시퀀스(시간 차원 T, 채널 C, 높이 H, 너비 W)를 먼저 다중 레이어의 인코더(전통적인 Conv‑Norm‑ReLU 블록)로 압축한다. 인코더는 공간 해상도를 점진적으로 낮추면서 특징 차원을 확대한다. 압축된 특징은 Dual‑Scale Translator에 전달되는데, 여기서 깊이별 분리 컨볼루션과 MLP‑Mixer가 병렬로 작동한다. 각 경로의 출력은 채널 차원에서 다시 합쳐진 뒤, 디코더(전치 컨볼루션)로 복원되어 다음 시점의 vorticity 필드가 생성된다. DSO의 물리적 타당성은 두 가지 실험으로 검증된다. 첫 번째 실험에서는 2D 소용돌이 쌍에 인접한 작은 소용돌이(d=0.6)와 멀리 떨어진 소용돌이(d=2.5)를 각각 배치해, 근접 교란이 국소 기울기(max‖∇ω‖)를 45 % 증가시키고 소용돌이 형태를 복잡하게 만드는 반면, 원거리 교란은 기울기를 29 % 감소시키고 전체 위치 이동(센터 오브 바이러시티)만을 변화시킨다. 두 번째 실험에서는 난류 흐름 데이터셋(128×128, 1000+ 타임스텝)에서 DSO와 기존 모델들을 동일한 훈련·테스트 조건으로 비교한다. 결과는 다음과 같다. (1) 평균 제곱 오차(MSE) 측면에서 DSO는 FNO, CNO, LSM, SimVP, ConvLSTM보다 88 % 이상 낮은 오류를 기록한다. (2) 시각적 비교에서 DSO는 소용돌이 코어와 급격한 전단층을 장기 롤아웃에서도 유지한다. (3) 시간에 따른 오차 증가율이 현저히 완만해, 500 스텝 이후에도 예측이 수렴한다. 논문의 주요 기여는 네 가지로 정리된다. 첫째, 장기 예측에서 발생하는 두 가지 실패 모드와 그 물리적 원인을 명확히 규명했다. 둘째, 근접·원거리 교란 실험을 통해 지역·전역 상호작용이 서로 다른 스케일에서 작용한다는 실증적 증거를 제공했다. 셋째, 이러한 물리적 통찰을 네트워크 설계에 직접 반영한 DSO를 제안했고, 깊이별 분리 컨볼루션과 MLP‑Mixer라는 비교적 단순한 모듈 조합만으로도 높은 성능을 달성했다. 넷째, 다양한 난류 벤치마크에서 기존 최첨단 모델들을 크게 앞서는 정확도와 장기 안정성을 입증했다. 향후 연구 방향으로는 (1) 3D Navier‑Stokes 흐름 및 다중 물리량(압력·속도·온도) 동시 예측에 DSO를 확장, (2) 물리 보강 손실(예: 에너지 보존, 대량 보존)과 결합해 물리 일관성을 더욱 강화, (3) 적응형 스케일 분할(동적 수용 영역 조절)과 같은 메타-학습 기법을 도입해 다양한 레이턴시와 해상도에 자동 대응하도록 하는 것이 제시된다.