딥베쿠아 기하 스펙트럼 결합 물리 인포메이션 필드 학습

초록

딥베쿠아는 복잡한 도메인을 미분가능한 좌표 변환으로 평탄한 조화 공간에 매핑하고, 라디얼 변조 푸리에 기반 스펙트럴 베이스를 닫힌 형태로 최적화한다. 기하와 물리를 분리해 학습함으로써 희소 데이터 환경에서 advection‑diffusion 문제를 기존 PINN·SIREN 대비 수백 배 정확도로 해결한다.

상세 분석

본 논문은 기존 좌표 기반 신경망이 고주파 성분을 학습하기 어려운 ‘스펙트럴 바이어스’를 극복하기 위해 두 단계의 구조적 분리를 제안한다. 첫 번째 단계는 신경망(Nθ)으로 정의된 미분가능한 디퓨오모픽 워핑 uℓ(x)를 통해 입력 좌표 x를 변형시켜 복잡한 물리적 도메인을 잠재적인 조화 공간 Ω′에 사상한다. 이 변환은 Lagrangian 흐름을 근사한다는 물리적 해석을 제공하며, 특히 advection‑dominant 시스템에서 효과적이다. 변환 후 좌표는 복소 평면에 임베딩되어 ζℓ = zℓ₁ + i zℓ₂ 형태가 된다.

두 번째 단계에서는 라디얼‑모듈레이티드 푸리에 베이스 Ψ를 정의한다. 주파수 집합 Fℓ={fk}는 복소수 형태 uk+ivk 로 학습되며, 각 베이스 함수는 sin·cos 조합에 |ζ|·sin·cos 항을 추가해 진폭과 성장 동작을 동시에 포착한다. 이 설계는 전통적인 푸리에 시리즈가 겪는 Gibbs 현상을 완화하고, 급격한 경계나 비선형 성장 패턴을 부드러운 조화 함수로 근사하도록 만든다.

가장 핵심적인 기여는 Ψ에 대한 가중치 wℓ을 차별가능한 최소제곱(DLS)로 전방 패스에서 정확히 해석한다는 점이다. wℓ = (ΨᵀΨ + λI)⁻¹Ψᵀrℓ 로 계산되며, Cholesky 분해를 이용해 역전파가 가능하도록 구현한다. 이 내부 최적화는 외부 파라미터 θℓ와 주파수 Fℓ에 대한 그래디언트를 제공해, 전체 시스템을 bilevel 최적화 형태로 학습한다.

실험에서는 7개의 벤치마크(3D Navier‑Stokes, SDF, 희소 팬텀 등)에서 DeepVekua가 SIREN, GridMLP, Vekua Cascade 대비 평균 MSE를 1‑2 오더 이상 감소시켰다. 특히 advection‑diffusion 문제에서 100배 이상의 정확도 향상을 보였으며, 복소 좌표 변환이 급격한 인터페이스를 ‘라운드’해 스펙트럴 베이스가 효과적으로 근사하도록 만든 것이 주요 원인으로 분석된다. 반면 1D 고주파 노이즈(Chirp)에서는 전역 최소제곱 해가 노이즈에 민감해 성능이 저하되는 한계가 드러났다. 이는 모델이 공간적 물리 해석에 특화돼 있음을 시사한다.

전체적으로 DeepVekua는 (1) 기하학적 변환을 통해 PDE의 비선형 advective term을 선형 diffusive term으로 변환, (2) 라디얼‑모듈레이티드 푸리에 베이스로 고주파와 비선형 성장 모두를 포착, (3) 차별가능한 닫힌 형태 최적화를 통해 학습 효율성을 극대화한다는 세 가지 혁신을 결합한다. 이 접근법은 희소 관측, 복잡한 경계, 그리고 물리 기반 시뮬레이션에서 기존 신경 기반 방법이 직면한 스펙트럴 바이어스와 그리드 의존성을 근본적으로 완화한다.