신경망 기반 딥리츠 보정으로 구현한 수치 동질화

초록

본 논문은 고주파 진동 계수를 갖는 타원·포아송 방정식의 다중스케일 해석에 LOD(Localized Orthogonal Decomposition) 방법을 적용하고, 시간·불확실성에 따라 변하는 계수를 빠르게 반영하기 위해 Deep Ritz 프레임워크와 인공신경망을 이용한 보정 함수를 학습한다. 오프라인 단계에서 다양한 계수 파라미터에 대한 보정 맵을 학습한 뒤, 온라인 단계에서는 전방 패스로 새로운 계수에 대한 다중스케일 기저를 즉시 생성한다. 수치 실험을 통해 배터리 열전달 모델에 적용했을 때, 전통적인 LOD 대비 오프라인·온라인 비용이 크게 감소하고 정확도는 유지됨을 확인하였다.

상세 분석

이 연구는 두 가지 핵심 기술을 결합한다. 첫 번째는 LOD 방법으로, 전통적인 유한요소(FEM) 기저에 미세 스케일 보정을 추가해 계수의 급격한 공간 변동을 효과적으로 포착한다. LOD는 코어 기저 Λ_j 를 W=ker I_H 공간에 속하는 로컬 보정 C_{ℓ,K} Λ_j 로 수정함으로써, H ≫ ε인 격자에서도 ε‑스케일 진동을 반영한 근사 해를 제공한다. 두 번째는 Deep Ritz 접근법이다. 보정 문제(7)는 에너지 최소화 형태이므로, 신경망을 통해 파라미터화된 계수 a(x,p)를 입력으로 받아 보정 함수 v(x)≈C_{ℓ,K} Λ_j 를 직접 출력하도록 학습한다. 여기서 파라미터 p는 시간 의존성이나 확률적 불확실성을 나타내며, 동일한 네트워크가 다양한 p에 대해 보정을 제공한다는 점이 혁신적이다. 학습 과정은 다수의 샘플 계수와 대응 보정을 생성해 손실 함수 L=½∫ a∇v·∇v dx−∫_K a∇Λ_j·∇v dx을 최소화한다. 네트워크 구조는 로컬 패치(ℓ‑패치)마다 독립적으로 적용되며, 이는 스펙트럴 바이어스가 작은 서브 도메인에서 크게 완화된다는 실용적 장점을 제공한다.

이 설계는 시간‑변화 계수에 대한 전통적인 LOD의 오프라인 비용(보정 함수 재계산)을 크게 낮춘다. 계수가 변하면 기존 LOD는 매 타임스텝마다 전체 보정 문제를 풀어야 하지만, 제안된 방법은 학습된 ANN을 한 번의 전방 연산으로 새로운 보정을 생성한다. 따라서 온라인 단계에서 시스템 행렬을 빠르게 재구성하고, 반복적인 시간 적분(예: 후진 오일러) 과정에서 큰 효율성을 얻는다. 또한, 파라미터화된 계수 모델을 사용함으로써 불확실성 전파나 기대값 계산에도 신경망을 재활용할 수 있다.

수치 실험에서는 1‑D·2‑D 배터리 열전달 모델을 대상으로, ε = 2⁻⁶ 수준의 고주파 계수를 사용하였다. LOD‑ANN 조합은 전통적 LOD 대비 오프라인 학습 시간은 몇 분에 불과했으며, 온라인 단계에서 10⁴개의 시간 스텝을 처리하는 데 약 0.2 s만 소요되었다. 오차는 H‑스케일 FEM 대비 1‑2 % 수준으로 유지되었으며, 특히 급격히 변하는 계수 구간에서도 안정적인 성능을 보였다. 이러한 결과는 제안된 프레임워크가 다중스케일, 시간‑변화, 불확실성 문제에 적용 가능한 범용적인 수치 동질화 도구임을 시사한다.