무발산 확산 모델로 구현하는 비압축성 유동 예측

초록

본 논문은 Leray 스펙트럼 투영을 이용해 발산이 없는(무발산) 제약을 강제하고, EDM 기반의 최신 확산 모델과 자동회귀 조건부 구조를 결합한 점성·강제 흐름인 2차원 Kolmogorov 유동의 시계열 예측 프레임워크를 제시한다. 하드와 소프트 제약 방식을 비교 실험하고, 훈련 내·외부 시간·물리적 조건에서 통계적 특성 재현 능력을 평가한다.

상세 분석

이 연구는 비압축성 유체 흐름을 확률적 생성 모델로 다루는 최초의 시도 중 하나로, 물리적 제약을 모델 구조에 직접 삽입한다는 점에서 의미가 크다. 저자들은 스코어 기반 확산 모델을 연속시간 SDE 형태로 정의하고, EDM(Elucidated Diffusion Model)에서 제안된 안정적인 노이즈 스케줄과 샘플링 스킴을 채택해 학습 효율과 샘플 품질을 동시에 확보한다. 핵심 물리 제약인 무발산 조건은 Leray 투영 연산자를 통해 푸리에 공간에서 강제로 만족시킨다. 이는 스펙트럴 방법과 자연스럽게 결합돼, 각 모드별로 투영 후 역변환함으로써 물리적으로 일관된 속도장을 생성한다.

조건부 예측을 위해 자동회귀 구조를 도입했는데, 이전 시점의 샘플을 입력으로 사용해 다음 시점의 확산 과정을 진행한다. 이렇게 하면 장기 롤아웃 시 누적 오류를 완화하고, 시간 연속성을 유지할 수 있다. 논문은 하드 제약(학습 단계와 샘플링 단계 모두에서 Leray 투영을 강제)과 소프트 제약(손실 함수에 발산 제곱을 가중치로 추가) 두 가지 접근법을 구현하고, 각각의 계산 비용과 물리 일관성 수준을 비교한다.

실험은 2D Kolmogorov 흐름을 기준으로 설계되었으며, 훈련 데이터는 다양한 레이놀즈 수와 강제 파라미터를 포함한다. 평가 지표는 에너지 스펙트럼, 엔스트로피, 구조 함수 등 전통적인 난류 통계와, 시각적 흐름 구조(와류와 대류 패턴)의 보존 여부를 포함한다. 결과는 하드 제약 모델이 소프트 제약 모델보다 발산 오류가 거의 없으며, 장기 롤아웃에서도 에너지 보존과 스펙트럼 형태를 정확히 재현함을 보여준다. 반면 소프트 제약 모델은 학습이 더 빠르고 메모리 사용량이 적지만, 장기 예측 시 작은 발산이 누적돼 에너지 스펙트럼이 고주파에서 과도하게 감소한다.

또한, 논문은 훈련 외(Out‑of‑Distribution) 상황—예를 들어 레이놀즈 수가 크게 변하거나 강제 파라미터가 전혀 다른 경우—에서도 확산 모델이 기존 CFD 기반 재현보다 빠르게 근사해낼 수 있음을 입증한다. 다만, 완전한 물리적 보장을 위해서는 하드 제약과 자동회귀 샘플링 사이의 수치적 안정성(특히 고주파 모드에서의 수치 진동) 문제를 추가적인 교정 단계(예: 에너지 정규화)로 보완해야 한다는 점을 강조한다.

전반적으로 이 연구는 (1) 최신 확산 모델 설계와 물리적 제약을 결합한 프레임워크, (2) Leray 투영을 통한 무발산 강제, (3) 자동회귀 기반 장기 시계열 예측이라는 세 축을 체계적으로 검증함으로써, 물리‑인포머스 머신러닝과 전통 CFD 사이의 격차를 메우는 중요한 발걸음을 제시한다.