다중정밀도 그래프 신경망을 이용한 비정형 2D 영역 Navier Stokes 해 예측

초록

본 논문은 비정형 2차원 도메인에서 정지 Navier‑Stokes 방정식 해를 예측하기 위해, 저정밀도 Stokes 해부터 고정밀도 Navier‑Stokes 해까지 단계적으로 학습하는 다중정밀도 그래프 신경망 프레임워크를 제안한다. 그래프 신경망에 Transformer와 최근 주목받는 State‑Space Model인 Mamba를 결합하고, 무감독 노드 순서 지정 전략을 통해 그래프에 적용한다. 물리 정보를 직접 인코딩‑프로세싱‑디코딩 파이프라인에 삽입하고, Weighted Least Squares 기반의 미분 연산자를 사전 구축해 손실에 물리 제약을 부과한다. 실험 결과, Transformer가 최고 정확도를 보이지만 Mamba는 연산량을 크게 줄이면서도 경쟁력 있는 성능을 달성한다.

상세 분석

이 연구는 기존의 PINN이나 단일 정밀도 딥러닝 접근법이 갖는 데이터 요구량과 물리 일관성 부족 문제를 해결하고자, 물리 기반 지식을 모델 구조에 내재화하는 다중정밀도 전략을 채택하였다. 첫 단계에서는 1차원 중심선 기반의 저정밀도 Stokes 해를 학습하고, 이를 2차원 Stokes 해로 매핑하는 NN_ST를 훈련한다. 이어서 NN_NS는 NN_ST의 출력을 추가 입력으로 사용해 비선형 대류항을 포함한 Navier‑Stokes 해를 예측한다. 이렇게 단계별로 학습함으로써 고정밀도 데이터가 제한된 상황에서도 모델이 비선형성을 점진적으로 습득하도록 유도한다.

그래프 신경망(GNN)은 비정형 메쉬를 자연스럽게 다룰 수 있는 장점이 있다. 본 논문은 GNN의 메시지 패싱을 기본으로 하면서, 전역적인 상호작용을 포착하기 위해 Transformer와 Mamba를 결합한다. Transformer는 모든 노드 간의 완전 연결 어텐션을 사용해 장거리 의존성을 학습하지만, 노드 수가 증가하면 O(N²) 복잡도가 발생한다. 이를 보완하기 위해 저자들은 Mamba 기반의 State‑Space Model을 그래프에 적용했으며, 그래프를 일렬 순서로 변환하는 무감독 노드 순서 지정 전략을 제안한다. 이 전략은 노드의 위상적 특성을 고려한 히스토리 기반 순서를 자동으로 생성해, 순환 스캔 과정에서 중요한 토큰만 선택적으로 업데이트하도록 한다. 결과적으로 Mamba는 Transformer 대비 메모리 사용량과 연산 시간을 크게 절감하면서도 비슷한 수준의 정확도를 유지한다.

물리 정보를 모델에 통합하는 방법도 두드러진 특징이다. 저자들은 ‘인코딩‑프로세싱‑물리‑인포드 디코딩’ 파이프라인을 설계해, 입력 좌표와 경계 조건을 인코딩하고, GNN/Transformer/Mamba가 처리한 후, 물리 연산자를 적용한 디코더가 최종 속도·압력장을 출력한다. 여기서 물리 연산자는 Weighted Least Squares(Weighted Least Squares, WLSQ) 방식으로 사전 계산된 미분 연산자 행렬을 이용한다. 이 행렬은 각 노드와 이웃 k개의 좌표를 기반으로 로컬 2차 테일러 전개를 풀어 최소제곱 해를 구해, ∂/∂x, ∂/∂y, 라플라시안 등을 직접 적용할 수 있게 만든다. 이러한 연산자는 그래프 전체에 O(N) 비용으로 적용 가능하며, 자동 미분에 비해 메모리 부담이 적다. 손실 함수에는 속도·압력 필드의 PDE 잔차와 질량 보존(∇·u=0) 제약을 포함시켜, 학습 과정에서 물리 일관성을 강제한다. 또한, 선택된 은닉 특징에 동일한 미분 연산자를 적용해 물리적 편향을 부여함으로써, 은닉 공간 자체가 물리 법칙을 만족하도록 유도한다.

실험은 두 개의 합성 데이터셋(VESSEL, CYLINDER)으로 수행되었다. VESSEL은 복잡한 혈관 구조를 모사한 작은 분기형 도메인이며, 평균 노드 수는 약 7,500개이다. CYLINDER는 전통적인 원통 주위 흐름 베치마크로, 평균 노드 수는 약 3,500개이다. 각각 P1‑P1(SUPG)와 P2‑P1 요소를 사용해 Stokes·Navier‑Stokes 해를 생성하였다. 결과는 다음과 같다. (1) 다중정밀도 구조가 단일 고정밀도 모델 대비 L2 오차를 30 % 이상 감소시켰으며, 특히 비선형 대류항을 학습하는 단계에서 큰 이득을 보였다. (2) Transformer 기반 모델은 최고 정확도를 기록했지만, 메모리 사용량이 2배 이상 증가했다. (3) Mamba 기반 모델은 연산량을 약 45 % 절감하면서도 평균 오차가 5 % 이내로 차이가 나지 않았다. (4) 물리‑인포드 디코더와 WLSQ 미분 연산자를 도입한 결과, 물리 잔차가 크게 감소하고, 질량 보존 위반이 미미해졌다.

이러한 결과는 그래프 기반 딥러닝에 물리 지식을 구조적으로 삽입함으로써, 데이터 효율성, 일반화 능력, 그리고 물리 일관성을 동시에 달성할 수 있음을 입증한다. 특히, Mamba와 같은 선형‑시간 복잡도의 State‑Space Model을 그래프에 적용하는 무감독 순서 지정 방법은 대규모 비정형 메쉬에 대한 실시간 CFD 대체 모델 개발에 유망한 방향을 제시한다.