현실적인 다중물리 흐름을 위한 신경망 대체 모델 벤치마크

초록

본 논문은 실제 엔진·화재·추진 시스템 등에서 발생하는 고차원·강경직 다중물리 흐름을 대상으로, 11개의 고품질 시뮬레이션 데이터셋과 표준화된 학습·평가 파이프라인을 제공하는 REALM 프레임워크를 제안한다. 이를 통해 스펙트럴 연산자, 컨볼루션, 트랜스포머, 포인트와 그래프 기반 모델 등 12여 종의 신경망 대체 모델을 일관된 조건에서 벤치마크하고, 차원·강경직·메시 불규칙성이 롤아웃 오류를 급격히 확대시키는 스케일링 장벽, 파라미터 수보다 구조적 편향이 성능을 좌우함, 전통적인 정확도 지표와 물리적 신뢰도 사이의 괴리 등 세 가지 핵심 트렌드를 발견한다.

상세 분석

REALM은 다중물리 흐름을 지배하는 PDE‑ODE 결합 시스템을 그대로 재현한 11개의 데이터셋을 제공한다. 데이터는 2D·3D 정규·비정규 메쉬, 셀 수가 2⁴·10⁷ 수준, 물리량 채널이 640개에 이르는 고차원 구조이며, 화염 점화·고속 연소·추진 엔진·건물 화재 등 실제 산업·연구 현장을 반영한다. 각 시나리오는 수백수천 CPU·GPU 시간의 고성능 시뮬레이션으로 생성돼, 기존 베이스라인보다 수십 배 이상의 가속이 요구되는 실용적 난이도를 갖는다.

학습 목표는 입력 시점의 전체 물리장(field)들을 동일 메쉬 위에서 함수‑대‑함수 매핑으로 예측하는 연산자 학습이다. 저자들은 다중 스케일 전처리 파이프라인을 설계해, 종(species) 질량분율의 10⁻⁶~10⁰ 범위 차이를 Box‑Cox 변환 후 z‑score 정규화함으로써 채널 간 스케일 불균형을 완화한다. 시간 전진은 짧은 호라이즌(Δt) 자동회귀 방식으로 수행하고, 마지막 단계에만 역전파를 적용해 장기 안정성을 확보한다. 이 프로토콜은 모델 구조에 독립적이며, FNO·DeepONet·CNN·Transformer·PointNet·MeshGraphNet 등 다양한 연산자에 동일하게 적용된다.

벤치마크 결과는 세 가지 주요 현상을 드러낸다. 첫째, 차원·강경직·메시 불규칙성이 결합된 “스케일링 장벽”이 존재한다. 차원이 3D로 확대되고, 화학 반응 속도가 10⁻¹² s 수준으로 급격히 빨라질수록 롤아웃 오류는 지수적으로 증가한다. 둘째, 모델의 파라미터 수보다는 구조적 inductive bias가 성능을 결정한다. 예를 들어, 스펙트럴 연산자는 고주파 정보를 효율적으로 보존해 강경직 영역에서 우수하지만, 그래프 기반 모델은 불규칙 메쉬에서의 로컬 보존에 강점을 보인다. 셋째, 전통적인 L2‑norm, R² 등 통계적 정확도 지표는 높은 값을 보이지만, 물리적 중요 변수(예: 화염 전선 위치, 총 연소 열량, 압력 피크)에서는 큰 편차를 나타낸다. 즉, “높은 상관관계 = 물리적 신뢰도”라는 가정이 깨진다.

이러한 분석을 통해 저자들은 현재 신경망 대체 모델이 현실적인 다중물리 흐름에 적용될 때, 단순 정확도 최적화가 아니라 물리적 보존 법칙, 스케일링 저항성, 메쉬 적응성을 고려한 설계가 필수임을 강조한다. 또한 REALM 자체가 향후 물리‑인식 아키텍처 개발을 위한 표준 테스트베드로 활용될 수 있음을 제시한다.