보존과 경계 조건을 만족하는 PDE 서리게이트를 위한 FluxNet

초록

FluxNet은 격자 기반 보존 법칙 PDE를 학습할 때, 셀 간 물질 이동을 직접 예측하는 방식으로 전역 보존과 값의 하·상한을 구조적으로 보장한다. L‑head, U‑head, D‑head 등 용량 제한을 적용한 전송 헤드를 도입해 물리적 제한을 위반하지 않으며, 다양한 1차원·2차원 테스트에서 롤아웃 안정성과 정확도가 크게 향상되었다.

상세 분석

본 논문은 기존의 autoregressive 신경망이 다음 상태를 직접 회귀함으로써 발생하는 전역 보존 드리프트와 값 범위 위반 문제를 근본적으로 해결하고자 한다. 이를 위해 격자상의 각 셀과 이웃 셀 사이의 물질 흐름을 나타내는 로컬 전송 연산자 Fᵢ→ⱼ 를 예측하도록 모델을 설계하였다. 전송 연산자는 대칭적인 이웃 관계와 주기적 경계 조건 하에서 셀 간 흐름이 서로의 출입구 역할을 동시에 수행하도록 구성되어 있어, 전역 합이 정확히 보존되는 정리(정리 1)를 만족한다.

FluxNet은 다양한 물리적 경계 조건을 반영하기 위해 네 가지 전송 헤드를 제안한다. N‑head와 P‑head는 각각 부호가 허용된 플럭스와 양수 플럭스(softplus 변환)를 출력하지만 경계 보장은 제공하지 않는다. L‑head는 하한 ℓ을 갖는 변수에 대해 셀 i가 보유한 가용량 aᵢ = uᵢ − ℓ 의 일정 비율 αᵢ 를 sigmoid 로 학습하고, 이를 이웃 방향별 확률 πᵢ→ⱼ (softmax) 로 분배함으로써 aᵢ·αᵢ·πᵢ→ⱼ 형태의 플럭스를 만든다. 이 구조는 셀에서 빠져나가는 양이 aᵢ보다 작으므로 업데이트 후에도 uᵢ ≥ ℓ 을 엄격히 보장한다(정리 2).

U‑head는 상한 u_max 를 갖는 경우에 대응한다. 남은 용량 bᵢ = u_max − uᵢ 를 정의하고, βᵢ (sigmoid) 와 이웃별 가중치 ρⱼ→ᵢ (softmax) 로 플럭스를 구성한다. 플럭스는 bᵢ·βᵢ·ρⱼ→ᵢ 형태이며, 들어오는 양이 bᵢ보다 작아 uᵢ ≤ u_max 를 보장한다(정리 3).

두 경계가 동시에 존재하는 경우(D‑head)는 L‑head와 U‑head를 병렬로 실행하여 각각 하한·상한을 만족하는 플럭스를 만든 뒤, 두 변화량을 평균하여 최종 상태를 업데이트한다. 이때 두 브랜치의 일관성을 강제하는 Dual Consistency Loss(DCL)를 추가함으로써 실험적으로 거의 제로에 가까운 위반률을 달성한다.

또한, shallow‑water 방정식과 같은 다중 변수·다중 물리량 시스템에 특화된 FluxNet‑LAP을 제안한다. 여기서는 깊이 변수 h에 L‑head를 적용해 h ≥ 0 를 보장하고, 모멘텀 전송을 h에 기반한 advective 플럭스와 pressure 플럭스로 분리한다. pressure 플럭스는 h²·softplus 형태의 게이팅을 통해 건조 영역에서의 수치 불안정을 억제한다.

학습 단계에서는 노출 편향을 완화하기 위해 push‑forward training을 사용한다. 모델을 K 단계만큼 자동 롤아웃한 뒤 전체 윈도우에 걸쳐 L1 손실과 필요 시 DCL을 결합한 손실을 최소화한다. 실험에서는 1D 대류‑확산, 2D shallow‑water, 1D 교통 흐름, 2D spinodal decomposition 네 가지 벤치마크를 대상으로, 기존 직접 회귀 기반 신경 연산자와 soft‑constraint 기반 방법들을 비교하였다. 모든 실험에서 FluxNet은 전역 보존 오차를 기계 정밀도 수준으로 감소시키고, 하·상한 위반 비율을 거의 0%에 가깝게 만들었다. 특히 shallow‑water와 교통 흐름에서는 롤아웃 길이가 10배 이상 증가해도 물리적 일관성을 유지했으며, spinodal decomposition에서는 큰 시간 단계와 긴 거리 전송을 허용해 시뮬레이션 속도를 크게 가속화하면서 미세 구조 통계량을 정확히 재현하였다.

본 연구는 물리 기반 제약을 네트워크 구조에 직접 내재시킴으로써, 데이터‑구동 PDE 서리게이트가 장기 예측에서도 물리 법칙을 위배하지 않도록 하는 새로운 패러다임을 제시한다. 향후 비정형 메쉬, 비주기적 경계, 복합 물성(예: 비선형 반응‑확산) 등에 대한 확장 가능성이 기대된다.