구조 보존 학습으로 기하 일반화 향상

초록

Geo‑NeW는 변형 가능한 메쉬를 입력으로 받아, 변분 형태와 위키 형식 유한 요소 공간을 신경망으로 학습한다. 변환기 기반의 기하 인코더와 FEEC(유한 요소 외부 미분법) 구조를 결합해 경계 조건과 보존 법칙을 정확히 만족시키면서, 보이지 않는 도메인에서도 높은 일반화 성능을 보인다.

상세 분석

본 논문은 물리 기반 시뮬레이션을 실시간으로 대체할 수 있는 “과학 기반 모델”을 목표로, 기존의 연산자 학습 방식이 직면한 기하 일반화 한계를 구조 보존 학습으로 극복한다는 점에서 혁신적이다. 핵심 아이디어는 두 단계로 나뉜다. 첫 번째 단계에서는 입력 메쉬를 변환기(Transformer) 기반 인코더에 통과시켜, 열핵 서명(HKS), 조화 좌표(HC), 부호 거리 함수(SDF)와 같은 좌표‑자유 특징을 추출하고, 이를 잠재 벡터 z 로 압축한다. 이 z 는 이후 두 개의 신경 필드에 조건화된다. 두 번째 단계에서는 위키 형태(Whitney forms)를 기반으로 하는 저차 차원 유한 요소 공간 W₀, W₁ 을 신경망으로 재구성한다. 구체적으로, 각 기본 함수 ϕᵢ(x) 에 대해 가중치 Wᵢ(x, z) 를 학습하고, 이 가중치가 비음이며 합이 1이 되도록 정규화함으로써, 재구성된 기저 ψ₀ᵢ(x) 가 겹치는 제어 부피(overlapping control volumes) 형태를 갖게 한다. 이렇게 정의된 ψ₀ 은 정확한 시퀀스(exact sequence) 속성을 보존하므로, 그 외부 미분 ∇ 은 W₁ 에 자연스럽게 포함된다. 결과적으로 질량 행렬 M₀, M₁ 과 인접 행렬 δ 을 이용해 혼합 Galerkin 형태의 이산화된 보존 법칙을 구성한다.

학습 목표는 전통적인 연산자 회귀가 아니라, PDE 연산자 G_θ(u, α) 와 경계 연산자 B_θ(u) 를 직접 학습하는 것이다. 즉, 최적화 문제는 G_θ(u, α)=0, B_θ(u)=u_b 을 만족하는 u 를 찾는 비선형 방정식 시스템을 푸는 형태이며, 이는 뉴턴 방법과 자동 미분을 통한 암시적 미분(implicit differentiation)으로 효율적으로 해결된다. 중요한 점은 비선형 플럭스 F_θ(u, z) 가 변환기로 구현되어 기하‑조건화된 토폴로지와 메트릭 정보를 동시에 활용한다는 것이다. 인공 점성 εK (여기서 K=δᵀM₁δ)는 선형 안정성을 제공하고, 학습 파라미터는 비선형 플럭스에만 집중되므로 물리적 해석 가능성이 높다.

이론적 기여로는 (1) ψ₀ 과 ψ₁ 을 통한 정확한 시퀀스 보존을 유지하면서 차원 축소된 유한 요소 공간을 정의한 점, (2) z 에 조건화된 변환기 F_θ 가 보존 법칙과 경계 조건을 하드 제약으로 만족하도록 설계한 점, (3) ε 가 양수인 경우 해의 존재와 유일성을 보장하는 새로운 물성 파라미터화 방식을 제시한 점을 들 수 있다. 실험에서는 정사각형 도메인에 원형 장애물을 무작위 배치한 훈련 집합에 대해, 회전 각도가 크게 변하는 스텝 형태 도메인(θ > 20°)에서도 기존 변환기 기반 연산자(Transolver)보다 월등히 낮은 L2 오차를 기록했다. 또한, 동일한 모델이 훈련 시 사용한 용량보다 현저히 적음에도 불구하고, 인‑도메인 추론 정확도가 기존 최첨단 방법과 동등하거나 우수함을 보였다.

요약하면, Geo‑NeW는 기하 정보를 메쉬 자체와 변환기 인코딩 두 경로로 활용하고, FEEC 기반의 구조 보존을 통해 물리적 일관성을 유지함으로써, 복잡한 비정형 도메인에서도 안정적이고 정확한 PDE 솔루션을 실시간으로 제공한다. 이는 차세대 과학·공학 기반 모델이 직면한 “기하 다양성” 문제에 대한 강력한 해법으로 평가될 수 있다.