프롭플로우: 사전학습 흐름 모델을 활용한 제로샷 물리 일관 샘플링

초록

프롭플로우는 사전학습된 함수 흐름 매칭(FFM) 모델을 고정한 채, 관측 데이터와 PDE 제약을 동시에 만족하는 샘플을 생성하는 새로운 가이드 방식이다. 두 단계(터미널 근접 최적화와 선형 보간)를 번갈아 수행해 물리적 일관성을 강제하면서도 사전 확률 경로를 유지한다. 베이지안 MAP 해석을 제공하고, 포아송·헬름홀츠·다르시·버거스 방정지에 대한 실험에서 기존 확산·흐름 기반 방법보다 정확도와 통계적 일관성이 우수함을 입증한다.

상세 분석

프롭플로우는 “제로샷 물리‑일관 샘플링”이라는 문제 정의에서 출발한다. 여기서 제로샷이란 사전학습된 생성 모델(p(u))을 재학습 없이 새로운 관측(y)이나 경계조건에 즉시 적용한다는 의미이다. 기존 방법들은 크게(1) 소프트 가이드(손실에 PDE 잔차를 가중치로 추가)와(2) 하드 프로젝션(선형/가우스‑뉴턴 방식)으로 나뉘지만, 전자는 물리적 위반을 완전히 방지하지 못하고, 후자는 생성 모델의 확률 경로와 불일치해 샘플의 통계적 품질을 저하시킨다. 프롭플로우는 이 두 갈래의 장점을 결합한 ‘근접 최적화(proximal optimization)’를 도입한다. 구체적으로, 현재 흐름 단계 t에서 FFM이 예측한 후보 û₁ = u_t + (1‑t)v_θ(u_t,t)를 물리 제약 집합 C와 관측 제약 집합 O에 대한 라그랑주 승수 λ를 포함한 다음 목적함수

  min_{u∈C} ‖u‑û₁‖² + λ‖H