신경기저법을 이용한 다중스케일 다르시 흐름의 정확하고 빠른 해석

초록

본 논문은 물리 기반 PDE 해석에 신경망 기반 기저 함수를 결합한 “Neural Basis Method”(NBM)를 제안한다. 미리 정의된 물리 적합 신경 기저 공간에 연산자 기반 잔차 메트릭을 적용해 잘 조건화된 최소제곱 투영 문제를 풀어, 다중스케일 다르시‑전달 시스템을 정확히 해결한다. 또한 파라미터 의존성을 같은 기저 공간에서 학습함으로써 연산자 학습(NBM‑OL)을 구현하고, 기존 PINN 방식의 손실 가중치 히스테리시스 문제를 회피한다. 실험 결과는 단일 해석에서 높은 정확도와 안정성을, 다중 쿼리 상황에서 10³–10⁴ 배의 속도 향상을 보여준다.

상세 분석

NBM은 기존 물리‑인포드 신경망(PINN)이 손실 함수에 물리 방정식을 페널티 형태로 삽입하고, 가중치를 경험적으로 조정하는 방식과 근본적으로 다른 접근을 취한다. 여기서는 신경망의 파라미터를 고정하고, 오직 기저 함수 자체만을 사용해 유한 차원 함수 공간을 정의한다. 이 공간은 물리적 구조—예를 들어 다르시 흐름의 압력·질량 플럭스에 대한 헬름홀츠 분해—를 반영하도록 설계되었으며, 스칼라와 벡터 필드 각각에 맞는 전용 기저를 제공한다.

연산자‑잔차 메트릭은 연산자 A와 경계 조건 b를 행렬‑벡터 형태로 이산화한 뒤, 물리적 스케일에 맞는 가중치 행렬 W를 도입해 ‖W(Aθ−b)‖² 형태의 최소제곱 문제로 변환한다. 이때 W는 다르시 흐름의 에너지 스케일(ρ·μ·κ 등)과 경계 샘플링 간격 h를 고려해 차원 일치를 보장한다. 결과적으로 잔차는 단순 L₂ 노름이 아니라 물리적으로 의미 있는 에너지 노름에 대해 직교성을 만족하므로, 잔차 감소 자체가 해의 정확도 향상을 직접적으로 나타낸다.

수치적 조건성은 두 가지 측면에서 강화된다. 첫째, 다층 신경 기저 생성기는 레이어 수와 폭을 조절해 표현력을 유지하면서도 기저 간 상관성을 억제한다. 둘째, 혼합 최소제곱(pressure·flux 동시) 형태와 에너지‑일관 가중치는 전통적인 LSFEM·DPG 이론을 차용해 최적 테스트 노름을 근사한다. 따라서 다중스케일 이질성(고변동성 퍼미빌리티)에도 조건수가 급격히 증가하지 않는다.

파라미터 의존성 학습에서는 동일한 기저 집합을 유지하면서 파라미터 θ(p)·θ(q)·θ(c)를 함수형으로 매핑한다. 이 매핑은 전통적인 연산자 학습과 동일하지만, 손실이 물리적 잔차에 기반하므로 학습 과정에서 잔차 크기를 직접 모니터링할 수 있다. 이는 과적합 방지와 조기 종료 기준을 제공한다는 점에서 큰 장점이다.

전달 방정식은 고속 대류가 지배적인 경우 전통적인 전역 기저가 야기하는 진동을 방지하기 위해 제어‑볼륨(upwind) 스킴을 적용한다. 여기서는 셀‑레벨에서 유량을 계산하고, 인접 셀의 기저 값을 사용해 upwind 값을 결정한다. 이렇게 하면 전역 기저의 장점(저차원 표현)과 전통적인 유한체적 스킴의 안정성을 동시에 확보한다.

실험에서는 2D 다공성 매체의 압력·플럭스·농도 3‑field 시스템을 대상으로, (1) 단일 시뮬레이션에서 L₂ 및 에너지 노름 기준 10⁻⁴ 수준의 오차, (2) 파라미터 변동(퍼미빌리티, 경계 조건) 하에서 10³–10⁴ 배의 추론 속도 향상, (3) OOD(Out‑of‑Distribution) 상황에서도 오차 증가가 제한적인 강인성을 확인했다. 특히, NBM‑OL은 학습 단계에서 잔차 기반 적응형 정지를 적용해 불필요한 에포크를 크게 줄였다.

요약하면, NBM은 (i) 물리‑연산자와 신경 기저를 명시적으로 분리, (ii) 물리적 스케일에 맞는 가중치·잔차 메트릭을 도입, (iii) 혼합 최소제곱·에너지‑일관 가중치를 통해 수치적 안정성을 확보, (iv) 파라미터 학습 시 물리적 잔차를 직접 모니터링함으로써 신뢰성 있는 연산자 학습을 구현한다는 점에서 기존 PINN·ML‑PDE 접근법을 근본적으로 뛰어넘는다.