실제 데이터를 활용한 복합 물리 시스템 벤치마크 RealPDEBench

초록

RealPDEBench는 유체·연소·구조 상호작용 등 5개의 복합 물리 현상을 실험 측정 데이터와 고정밀 수치 시뮬레이션 데이터를 쌍으로 제공하는 최초의 과학‑ML 벤치마크이다. 3가지 학습·평가 시나리오(실제 데이터 학습, 시뮬레이션 데이터 학습, 시뮬레이션 사전학습 후 실제 데이터 미세조정)와 데이터‑중심·물리‑중심 9개의 평가 지표, 그리고 최신 신경 연산자·PDE 기반 파운데이션 모델을 포함한 10개의 베이스라인을 제시한다. 실험 결과는 시뮬레이션과 실제 데이터 사이에 큰 격차가 존재함을 확인하면서도, 시뮬레이션 사전학습이 실제 데이터 예측 정확도와 수렴 속도를 일관되게 향상시킴을 보여준다.

상세 분석

RealPDEBench는 과학‑ML 연구에서 가장 오래된 병목 중 하나인 실제 물리 데이터의 부재 문제를 근본적으로 해결하려는 시도이다. 저자들은 물리‑학적 복잡성이 서로 다른 5가지 시나리오(원통 흐름, 제어 원통, 유체‑구조 상호작용, 3차원 포일, 회전식 연소)를 선정하고, 각각에 대해 2000프레임 이상, 700여 개 이상의 트라젝터리를 실험 장비와 고성능 CFD·LES 시뮬레이터를 이용해 수집하였다. 실험 데이터는 PIV, 고속 카메라, 레이저 시트 등 다양한 센서를 결합해 다중 모달리티를 확보했으며, 시뮬레이션 데이터는 동일한 시간 구간과 파라미터 설정을 유지해 정확히 짝을 이루도록 설계되었다.

작업 정의는 세 가지로 구분된다. 첫째, 실제 데이터만을 사용해 모델을 학습하는 ‘실제‑학습’; 둘째, 전적으로 시뮬레이션 데이터만으로 학습하는 ‘시뮬레이션‑학습’; 셋째, 시뮬레이션 데이터로 사전학습한 뒤 실제 데이터로 미세조정하는 ‘시뮬‑실제 파인튜닝’이다. 이 구조는 실제 현장에서 시뮬레이션 데이터가 풍부하지만 실제 라벨이 제한적인 상황을 그대로 재현한다.

평가 지표는 데이터‑중심(MSE, MAE, PSNR, SSIM)과 물리‑중심(에너지 보존 오차, 질량 보존 오차, 스펙트럼 차이, 물리 법칙 위반 비율)으로 나뉘며, 사전학습 효과를 정량화하는 ‘프리트레인 이득’ 지표도 포함한다. 이러한 다면적 평가는 모델이 단순히 시각적 재구성에 머무르지 않고, 물리적 일관성을 유지하는지를 검증한다.

베이스라인은 9개의 최신 신경 연산자(DeepONet, Fourier Neural Operator, Wavelet Neural Operator 등)와 전통적인 POD‑RBF 모델을 포함한다. 특히, ‘PDE‑Foundation’ 모델은 대규모 시뮬레이션 데이터셋으로 사전학습된 파운데이션 모델로, 전이 학습 능력을 시험한다. 실험 결과는 모든 베이스라인이 시뮬레이션‑학습에서 높은 수치 정확도를 보였지만, 실제‑학습에서는 측정 노이즈와 미측정 변수 때문에 성능이 급격히 저하됨을 보여준다. 반면, 시뮬‑실제 파인튜닝은 대부분의 모델에서 MSE를 15~30% 감소시키고, 물리‑중심 지표에서도 유의미한 개선을 달성했다. 특히, 파운데이션 모델은 사전학습 단계에서 얻은 일반화된 물리 표현 덕분에 가장 큰 이득을 보였다.

이 논문은 두 가지 중요한 통찰을 제공한다. 첫째, 실제 물리 데이터와 시뮬레이션 데이터 사이의 격차가 모델 성능에 큰 영향을 미치며, 이는 데이터 수집 및 전처리 단계에서 노이즈 모델링이 필요함을 시사한다. 둘째, 시뮬레이션 기반 사전학습이 실제 환경에서의 일반화와 수렴 속도를 크게 향상시킬 수 있음을 입증한다. 이러한 결과는 향후 과학‑ML 연구가 ‘시뮬‑실제’ 혼합 학습 패러다임을 채택해야 함을 강력히 뒷받침한다.