LLM4Fluid: 대형 언어 모델을 활용한 범용 유체 흐름 예측 프레임워크

초록

LLM4Fluid는 고차원 유체 흐름 데이터를 물리‑인포드 차원 축소와 특성 해석을 통해 압축하고, 사전 학습된 대형 언어 모델(LLM)을 시간적 프로세서로 사용해 시계열을 자동 회귀 방식으로 예측한다. 텍스트 프롬프트를 위치 임베딩으로 변환하는 모달리티 정렬 전략을 도입해 의미‑물리 간 격차를 해소하고, 재학습 없이도 다양한 경계 조건·물성·기하학에 대해 제로샷·인‑컨텍스트 학습이 가능하도록 설계되었다. 실험 결과, 기존 ROM·CNN·Transformer 기반 방법들을 능가하는 정확도와 장기 안정성을 보이며, 파라미터 수는 최소화하였다.

상세 분석

본 논문은 유체 역학 시뮬레이션에서 발생하는 고차원·비선형·시공간 복합 문제를 두 단계로 분해한다. 첫 번째 단계는 물리‑인포드 디엔탱글먼트 메커니즘을 적용한 차원 축소(ROM)이다. 기존의 POD·DMD와 달리, 인코더‑디코더 구조에 평균·표준편차를 추정하는 두 개의 선형 헤드를 두고, 변분 재파라미터화 기법을 이용해 잠재 변수 z = μ+σ⊙ε를 생성한다. 여기서 KL‑다이버전스 기반 손실 L = L_rec − λ·∑