희소 센서로부터 연속 필드 복원을 위한 STRIDE 프레임워크

초록

STRIDE는 짧은 센서 관측 윈도우를 LSTM 등 시계열 인코더로 잠재 상태에 매핑하고, 이를 FMMNN 기반 조절형 암시적 신경표현(INR) 디코더에 연결해 임의의 위치에서 고해상도 필드를 재구성한다. 안정적인 지연 관측 가능성 가정 하에 저차원 임베딩을 통해 재구성 연산이 가능함을 이론적으로 뒷받침하고, 네 가지 파라메트릭 PDE 벤치마크에서 극히 희소한 센서와 잡음에도 높은 정확도와 초해상도 재구성을 달성한다.

상세 분석

본 논문은 파라메트릭 PDE 시스템에서 제한된 수의 점 센서만으로 고차원 시공간 필드를 복원하는 문제에 대해 두 단계 구조인 STRIDE를 제안한다. 첫 단계는 관측 윈도우 (y_{t-k:t}) 를 입력으로 받아 LSTM, GRU, 혹은 최신 Mamba와 같은 순환 신경망을 이용해 (z_t\in\mathbb{R}^{d_z}) 라는 저차원 잠재 벡터로 압축한다. 이때 센서 데이터는 시간 지연을 포함하므로, 고전적인 지연 임베딩 이론과 동일한 식별성을 확보한다는 점이 핵심이다. 두 번째 단계는 조절형 암시적 신경표현(INR) 디코더를 사용한다. 저자는 기존 SIREN 기반 INR가 고주파 성분 학습 시 최적화가 불안정한 문제를 지적하고, Fourier Multi‑Component and Multi‑Layer Neural Network(FMMNN)를 백본으로 채택한다. FMMNN은 무작위 고정 가중치와 학습 가능한 진폭·편향을 결합해 고주파 구조를 효율적으로 표현하고, FiLM 스타일의 shift modulation을 통해 (z_t) 를 조건화한다. 좌표 (\xi) 는 추가적인 Fourier 인코딩을 거쳐 입력되므로, 해상도에 구애받지 않고 임의의 위치에서 (\hat{x}(\xi,t)=F(\xi,z_t)) 를 평가할 수 있다. 이론적 섹션에서는 관측 윈도우가 (\Phi_k) 라는 지연 지도에 의해 전단사이며, 역함수 (\Psi) 가 Lipschitz 연속성을 가진다는 ‘안정적 지연 관측 가능성’ 가정을 두고, 전체 재구성 연산이 유한 차원 임베딩을 통해 근사 가능함을 증명한다. 실험에서는 1‑D Kuramoto‑Sivashinsky, 2‑D Navier‑Stokes 기반 흐름, 얕은 물 파동, 그리고 지진 파동 전파 네 가지 데이터셋을 사용해, 센서 수 (N_s) 가 5~10 수준에서도 기존 딥러닝 기반 연산자 학습 모델보다 평균 L2 오차가 30 % 이상 감소함을 보였다. 또한, 훈련 시 무작위 공간 샘플링을 적용해 메모리 사용량을 크게 줄였으며, 테스트 단계에서 4×~8× 초해상도 쿼리를 수행해도 시각적·수치적 품질이 유지된다. 잡음 실험에서는 SNR = 20 dB 이하에서도 성능 저하가 미미했으며, 이는 FMMNN 디코더의 안정적인 최적화와 지연 인코더가 시간적 정보를 충분히 포착하기 때문으로 해석된다. 전체적으로 STRIDE는 ‘센서 → 잠재 상태 → 연속 필드’라는 명확한 파이프라인을 제공함으로써, 기존의 격자‑종속 디코더가 갖는 전이성 한계를 극복하고, 다양한 물리 시스템에 범용적으로 적용 가능한 프레임워크를 제시한다.