잔차 보강 흐름 매칭 기반 확률적 PDE 연산자 학습

초록

본 논문은 저해상도 근사와 고해상도 해 사이의 잔차를 학습하는 흐름 매칭 방식을 무한 차원 함수 공간에 적용한다. 조건부 신경 연산자를 피처와 선형 변조(FiLM)로 설계하고, 선형 연산자와 조건부 푸리에 신경 연산자를 합성해 안정적인 신경 ODE를 구현한다. 이를 통해 저해상도 시뮬레이션만으로도 고해상도 PDE 솔루션의 확률적 분포를 효율적으로 추정하고, 해상도에 구애받지 않는 불확실성 추정이 가능함을 1D 대류·버거스 방정식 및 2D 다이아리 흐름 사례로 입증한다.

상세 분석

이 연구는 기존 신경 연산자와 생성 모델이 갖는 두 가지 한계를 동시에 해결한다. 첫째, 신경 연산자는 대규모 고해상도 데이터가 필요하고, 학습된 연산자는 결정론적이어서 불확실성 정량화에 별도 후처리가 필요하다. 둘째, GAN·Diffusion 기반 생성 모델은 확률적 표현이 가능하지만, 입력 조건에 따라 매번 재학습하거나 해상도 의존적인 구조를 갖는다. 저자들은 이러한 문제를 ‘잔차 보강(flow matching)’이라는 새로운 프레임워크로 통합한다. 핵심 아이디어는 저해상도(또는 저비용) 시뮬레이션으로부터 얻은 근사 해 (u_{LF})와 고해상도 목표 해 (u_{HF}) 사이의 차이 (r = u_{HF} - u_{LF})를 확률적 흐름 매칭을 통해 학습하는 것이다. 흐름 매칭은 연속적인 시간‑(τ) 구간 (