초고속 필드 진화 시뮬레이션을 위한 다중입력 합성곱 신경망 yNet

초록

yNet은 현재 필드 상태, 물리 파라미터, 경계 조건 등 여러 입력을 동시에 받아들여, 전통적인 수치 해석보다 수천 배 빠른 속도로 연속적인 필드 변화를 예측하는 다중입력 CNN이다. 고해상도 시뮬레이션 데이터를 사전 학습한 뒤, 다양한 물리 현상(유체 흐름, 전자기 파동, 상변화 등)에 적용해도 높은 정확도와 일반화 능력을 보인다.

상세 분석

yNet은 ‘Y’ 형태의 구조를 갖는 다중입력 합성곱 신경망으로, 입력 스트림을 세 갈래(현재 필드, 물리 파라미터, 경계 조건)로 분리한 뒤 각각을 별도의 인코더 블록에서 고차원 특징으로 변환한다. 이후 두 단계의 디코더가 특징을 융합해 다음 시점의 필드 값을 복원한다. 핵심 설계는 (1) 다중 스케일 컨볼루션을 활용해 국소와 전역 정보를 동시에 포착하고, (2) 잔차 연결과 정규화 레이어를 통해 학습 안정성을 확보하며, (3) 가중치 공유 메커니즘을 도입해 파라미터 수를 최소화하면서도 다양한 물리 모델에 대한 전이 학습을 가능하게 한다는 점이다.

학습 단계에서는 고정밀 유한 차분·유한 요소 시뮬레이션으로부터 생성한 대규모 시계열 데이터를 사용한다. 손실 함수는 L2 손실에 물리 기반 제약(예: 질량 보존, 에너지 감소)을 추가한 복합 형태이며, 이를 통해 네트워크가 물리 법칙을 내재화하도록 유도한다. 데이터 증강으로는 파라미터 공간을 균등하게 샘플링하고, 경계 조건을 무작위 변형해 모델의 강인성을 높였다.

실험 결과는 세 가지 대표적인 물리 현상—2차원 나비에-스토크스 흐름, 전자기 파동 전파, 그리고 상변화 모델(Phase‑field)—에 대해 제시된다. 각 경우에서 yNet은 전통적인 CFD·FEM 솔버 대비 10³10⁴배의 연산 속도 향상을 달성했으며, 평균 L2 오차는 12% 수준으로 유지했다. 특히 파라미터와 경계 조건이 학습 범위를 벗어나는 ‘외삽’ 상황에서도 오차가 급격히 증가하지 않아, 실제 엔지니어링 설계 단계에서 빠른 탐색 도구로 활용 가능함을 입증했다.

또한, yNet은 사전 학습된 가중치를 재활용해 새로운 물리 시스템(예: 다른 점성 계수의 흐름)으로 전이 학습할 때, 전체 학습 데이터의 10%만 사용해도 기존 솔루션과 동등한 정확도를 얻을 수 있었다. 이는 모델이 물리적 특성을 추상화해 일반화된 표현을 학습했음을 의미한다. 한계점으로는 매우 높은 차원의 3D 문제에서 메모리 요구량이 급증하고, 극단적인 비선형 현상(충격파 등)에서는 추가적인 물리 기반 보정이 필요하다는 점을 지적한다. 향후 연구 방향으로는 메모리 효율적인 토큰화 기법, 물리‑인포메드 손실 설계, 그리고 하드웨어 가속을 위한 맞춤형 연산 커널 개발이 제시된다.