열 기반 방정식의 자기유사 변수 학습으로 장기 예측 성능 향상

초록

본 논문은 열 방정식의 선형 부분을 갖는 PDE(2차원 Navier‑Stokes와 1차원 Burgers)를 자기유사 변수(ξ = x/√(t+1), τ = log(t+1))로 변환한 뒤, 기존 물리 좌표와 동일한 신경 연산자 구조로 학습한다. 동일한 MLP와 factorized FCN을 사용한 실험에서, 자기유사 좌표에서 훈련된 모델은 물리 좌표 모델에 비해 장기 외삽 시 상대 MSE가 크게 감소하고, 물리적으로 중요한 패턴(예: 소용돌이 병합, 파동 확산)도 더 정확히 재현한다. 이는 자기유사 좌표가 열 기반 시스템의 스케일링 특성을 반영해 학습에 유리한 사전 편향을 제공한다는 것을 시사한다.

상세 분석

이 연구는 “열 기반” PDE, 즉 선형 부분이 열 방정식인 시스템을 대상으로 한다. 열 방정식은 시간에 따라 길이 스케일이 √t 로 확장되고 진폭은 t⁻¹/² 로 감소한다는 특성을 갖는다. 이러한 스케일링을 그대로 반영하는 자기유사 변수 ξ = x/√(t+1), τ = log(t+1)를 도입하면, 원래의 비선형 PDE는 새로운 좌표계에서 추가적인 확산 연산자 L = Δ_ξ + (1/2) ξ·∇_ξ + I와 함께 비선형 대류항을 갖는 형태로 변환된다. 중요한 점은, 장기 해가 Gaussian(또는 Burgers의 경우 확산 파동)과 같은 고정된 프로파일로 수렴하면서 ξ‑공간에서는 급격히 국소화된다는 이론적 근거다. 따라서 고정된 ξ‑윈도우(예: |ξ|≤C)만 샘플링해도 큰 t에서의 주요 동역학을 충분히 포착할 수 있다.

논문은 두 가지 네트워크 구조를 사용한다. 첫 번째는 좌표를 그대로 입력받아 출력값을 예측하는 전통적인 MLP이며, 두 번째는 branch‑trunk 형태의 factorized fully‑connected network(FCN)이다. 두 모델 모두 동일한 깊이·폭·옵티마이저·학습 스케줄을 공유하도록 설계돼, 좌표 변환 자체가 성능 차이를 만든다는 점을 명확히 검증한다.

학습 프로토콜은 물리 좌표와 자기유사 좌표 사이에 일대일 샘플링 매핑을 보장한다. 물리 좌표에서는 확장 디스크 D_{t,C}= {x:|x|≤C√t+1}를, 자기유사 좌표에서는 고정 디스크 D_C를 사용한다. 손실은 각각의 윈도우 내 L2 평균오차를 시간 평균한 형태이며, 평가 시에는 물리 좌표 D_{t,C}에서 상대 MSE를 계산한다.

실험 결과는 두 PDE 모두에서 일관된다. 2D Navier‑Stokes의 경우, 훈련 구간 t∈