기억 기반 흐름 매칭으로 안정적인 자동 회귀 PDE 롤아웃 구현

초록

본 논문은 전통적인 마코프식 확률 생성 모델이 고해상도 물리 현상을 장기 롤아웃할 때 발생하는 누적 오류를, Mori‑Zwanzig 메모리 정리와 결합한 “메모리‑조건부 흐름 매칭” 기법으로 해결한다. 저해상도(저주파) 정보를 조건으로 삼고, 짧은 메모리 상태를 실시간으로 추출·주입함으로써 미해결 고주파 성분의 사전 분포를 히스토리‑의존적으로 형성한다. 이론적으로 Wasserstein 안정성을 증명하고, 1‑step 법칙 오차를 메모리 근사 오차와 조건부 생성 오차로 분리한 뒤, Grönwall 부등식을 이용해 롤아웃 전체 오류 상한을 도출한다. 실험에서는 충격파가 있는 압축성 흐름과 다중 스케일 혼합 문제에서 기존 확산·흐름 매칭 대비 장기 정확도와 스펙트럼·통계 일치도가 크게 향상됨을 보여준다.

상세 분석

이 연구는 PDE 기반 시뮬레이션을 확률적 생성 모델로 대체하려는 최근 흐름‑매칭·확산 모델들의 근본적인 한계를 Mori‑Zwanzig(MZ) 정리로 명확히 규정한다. MZ는 미해결(고주파) 변수들을 제거했을 때, 남는 해석은 “마코프 항”, “히스토리(메모리) 항”, 그리고 “정규 직교 강제항”으로 구성된다는 점을 강조한다. 기존의 마코프식 조건부 커널은 메모리와 정교한 강제항을 무시하므로, 저해상도(저주파)만을 조건으로 삼을 경우 고주파 tail의 사전 분포가 실제와 크게 다르게 된다. 이 차이는 Wasserstein 거리 기준으로 하한을 제공하며, 내부 시간 τ에서의 denoising 과정이 저신호‑대‑노이즈 비(SNR)가 낮은 고주파 셸을 처리할 때는 실제 신호 대신 히스토리‑의존적 prior에 의존하게 만든다.

논문은 이를 정량화하기 위해, Littlewood‑Paley 분해를 이용해 해를 저주파 공간 (H_{\le J})와 고주파 공간 (H_{>J})로 나눈 뒤, 고주파 tail에 대한 조건부 사전 (\pi_J(\cdot|y))와 실제 조건부 (\mathcal{L}(z|y)) 사이의 Wasserstein 불일치를 (\delta_J(y))라 정의한다. 여기서 메모리 변수 (m)를 도입하면 조건부가 (\mathcal{L}(z|y,m))로 바뀌어, (\delta_J(y,m))가 일반적으로 (\delta_J(y))보다 작아진다. 이는 Lemma 3.5와 Proposition 3.6을 통해 “조건부는 L2 투영 오차를 감소시킨다”와 “메모리 없이는 불가피한 불일치가 존재한다”는 두 가지 수학적 사실로 뒷받침된다.

또한 Theorem 3.1은 선형‑가우시안 가정 하에 고주파 셸별로 최적 denoiser가 (\Delta_j X)와 히스토리‑형 prior (\Delta_j M^\star_{n+1})의 가중 평균으로 표현된다는 것을 보인다. 여기서 (\kappa_{j,n+1}(\tau))는 내부 시간에 따른 SNR 비율을 나타내며, (\kappa)가 0에 가까울수록 prior‑주도형이 된다. 따라서 메모리 상태가 실제 히스토리 컨볼루션 (M^\star)를 근사하면, 고주파 셸에 대한 transport 비용이 크게 감소한다.

롤아웃 안정성 분석에서는 1‑step 법칙 결함 (\varepsilon_n = W_2\big((S_{\Delta t_n})# b\mu_n,, b\mu{n+1}\big))을 정의하고, Lemma 3.2를 통해 전체 오류 (d_{n}=W_2(\mu_n,b\mu_n))가 (d_{n+1}\le e^{\alpha_n}d_n+\varepsilon_n) 형태의 재귀식으로 전파됨을 증명한다. 여기서 (\alpha_n)는 PDE 연산자의 Lipschitz 상수에 해당한다. 이 재귀식에 Grönwall 부등식을 적용하면, 메모리 근사 오차와 조건부 생성 오차가 각각 롤아웃 전체 오류에 선형적으로 기여한다는 명시적 상한을 얻는다. 즉, 메모리 정확도가 높을수록 장기 롤아웃에서의 누적 오류가 지수적으로 폭발하는 현상을 억제할 수 있다.

구현 측면에서는 “Memory‑Conditioned Rectified Flow”(MCRF)라는 아키텍처를 제안한다. 기본 흐름‑매칭 ODE (\frac{dU_\tau}{d\tau}=v_\theta(\tau,U_\tau;c))에, 백본 네트워크에서 추출한 저주파 특징 (E_n)를 입력으로 하는 작은 차원의 메모리 상태 (m_n)를 삽입한다. 메모리 업데이트는 선형‑시계열 모델(예: S4, HiPPO)으로 구현해 다중 시간 스케일을 효율적으로 포착한다. 학습 목표는 전통적인 denoising score matching 손실에 메모리‑조건부 KL 혹은 Wasserstein 정규화를 추가해, 메모리와 흐름이 공동 최적화되도록 설계한다.

실험에서는 2‑D 압축성 유체의 충격파 전파와 3‑D 난류 혼합 문제를 대상으로, 기존 GenCFD·DySLIM·표준 흐름‑매칭과 비교했다. 평가 지표는 L2 오류, 에너지 스펙트럼 (E(k))의 상대 차, 그리고 고차 통계(예: 구조 함수, 확률 밀도 함수)이다. 메모리‑조건부 모델은 특히 100 ~ 200 스텝 이상의 장기 롤아웃에서 오류가 2~3배 감소하고, 고주파 스펙트럼이 실제와 거의 일치했다. 또한 메모리 없이 동일한 파라미터 수를 사용했을 때 발생하는 “모드 붕괴” 현상이 현저히 완화되었다.

결론적으로, 이 논문은 물리‑기반 PDE 시뮬레이션에서 고주파 미해결 자유도를 히스토리‑의존적 사전으로 재구성함으로써, 마코프식 생성 모델의 장기 불안정성을 근본적으로 해결한다는 점에서 이론·실험 모두 강력한 증거를 제시한다.