파라메트릭 하이퍼볼릭 보존법 보존 엔트로피 안정 초점 통합 프레임워크

초록

**
본 논문은 데이터로부터 직접 하이퍼볼릭 보존법을 학습하면서 보존성, 엔트로피 안정성, 그리고 초점성을 동시에 만족하도록 설계된 파라메트릭 모델 SymCLaw을 제안한다. 플럭스 함수를 두 개의 Hessian 형태로 파라메트라이즈하고, 입력‑컨벡스 신경망으로 엔트로피 함수를 학습함으로써 실시간으로 실수 고유값과 완전한 고유벡터를 보장한다. 제안 방법은 엔트로피‑안정적인 수치 플럭스와 결합돼 기존 유한체적 스키마에 바로 적용 가능하며, Burgers, 얕은 물, Euler, KPP 등 다양한 벤치마크에서 잡음이 섞인 훈련 데이터에도 장기 예측 정확도와 안정성을 입증한다.

**

상세 분석

**
본 연구는 하이퍼볼릭 보존법의 핵심 구조적 특성인 보존성, 엔트로피 안정성, 그리고 초점성(실수 고유값·완전 고유벡터 존재)을 하나의 학습 프레임워크에 통합하는 데 성공하였다. 핵심 아이디어는 두 단계로 구성된다. 첫째, 엔트로피 함수 η(u)를 입력‑컨벡스 신경망(ICNN)으로 파라메트라이즈하여 엄격히 볼록한 형태를 보장한다. η가 볼록하면 변환 v=∇₍u₎η(u)ᵀ가 일대일 대응을 제공하고, η의 Hessian H_u η는 양정치 대칭 행렬이 된다. 둘째, 플럭스 함수를 v‑공간에서 스칼라 퍼텐셜 ϕ_μ,i(v)의 그래디언트 형태로 정의한다. 즉, g_i(v)=∇_v ϕ_μ,i(v)이며, ϕ_μ,i는 일반적인 신경망이다. 스칼라 퍼텐셜의 Hessian H_v ϕ_μ,i는 자동으로 대칭이므로, g_i의 Jacobian ∇_v g_i = H_v ϕ_μ,i 역시 대칭이다. 따라서 전체 플럭스 Jacobian은 A_i = H_v ϕ_μ,i(v)·H_u η(u) 형태가 되며, 두 행렬이 각각 대칭·양정치이므로 A_i는 실수 고유값만을 갖는 초점성을 만족한다. 이는 Theorem 2.1의 대칭‑초점성 관계를 직접 구현한 결과이다.

학습 과정에서는 연속 PDE 대신 유한체적 이산화 형태를 사용한다. 데이터는 시간·공간 격자에 존재하므로, 수치 플럭스(예: 엔트로피‑안정적인 Rusanov 또는 Lax‑Friedrichs 변형)를 통해 손실 함수를 정의하고, 파라미터 (θ, μ)를 최적화한다. 이 접근법은 연속 PDE 수준에서 함수 방정식을 직접 풀어야 하는 어려움을 회피하고, 잡음에 강인한 역학을 학습하게 만든다. 또한, 엔트로피‑안정적인 수치 플럭스를 설계함으로써 학습된 모델이 실제 시뮬레이션에 바로 적용 가능하도록 하였다.

실험에서는 1D·2D Burgers, 얕은 물, 1D·2D Euler, 그리고 KPP 방정식을 대상으로, 훈련에 사용되지 않은 초기조건과 장시간 통합에 대해 기존 보존‑전용 모델이나 엔트로피‑안정만 고려한 모델보다 우수한 정확도와 안정성을 보였다. 특히 잡음이 섞인 훈련 데이터(σ≈1%~5%)에서도 엔트로피‑안정성 덕분에 비물리적 진동이 억제되고, 초점성 보장을 통해 고유속도와 충격파 전파가 올바르게 재현되었다.

이 논문의 주요 기여는 (1) 엔트로피 볼록성을 신경망으로 학습하면서도 자동으로 초점성을 보장하는 파라메트릭 플럭스 구조, (2) 이산화된 엔트로피‑안정 수치 플럭스를 이용한 효율적 파라미터 추정 방법, (3) 다양한 물리 시스템에 대한 일반화 가능성을 실험적으로 검증한 점이다. 향후 연구는 다중 차원·다중 물리 연계 시스템, 경계 조건 학습, 그리고 고차 정확도 DG·FV 스키마와의 결합을 통해 실시간 데이터‑동화 및 제어에 적용하는 방향으로 확장될 수 있다.

**