다중 스트림 물리 하이브리드 네트워크로 보는 나비에 스토크스 방정식 혁신

초록

본 논문은 양자와 고전 레이어를 병렬로 결합한 다중 스트림 물리 하이브리드 네트워크(MPHN)를 제안한다. Kovasznay 흐름이라는 정확 해를 갖는 라미나 유동 문제에 대해, 기존의 순수 고전 신경망(MCN) 대비 속도 성분에서 36%, 압력 성분에서 41%의 RMSE 감소와 파라미터 24% 절감을 달성하였다. 이는 물리‑인포메드 신경망(PINN) 분야에서 양자‑고전 혼합 구조가 높은 표현력을 제공함을 실증한다.

상세 분석

MPHN은 전체 해를 주파수 별로 분해하고, 각 주파수 성분을 독립적인 Parallel Hybrid Network(PHN)에게 맡긴다. PHN은 두 부분으로 구성되는데, 하나는 2‑큐비트 파라미터화 양자 회로이며, 다른 하나는 은닉 뉴런 10개를 갖는 작은 MLP이다. 양자 회로는 주기적(oscillatory) 성분을, 고전 MLP는 선형·감쇠 성분을 담당하도록 설계돼, 두 출력이 선형 결합(w0 + w1·Qout + w2·Cout + w3·Qout·Cout) 형태로 합쳐진다. 이러한 구조는 양자 회로가 제공하는 높은 차원 표현력과 고전 레이어의 안정적인 학습을 동시에 활용한다는 점에서 혁신적이다.

학습은 물리‑구동(PINN) 방식과 데이터‑구동 두 가지 시나리오에서 수행되었다. 물리‑구동에서는 Navier‑Stokes 방정식의 잔차와 경계 조건을 손실 함수에 포함시켜, 정확 해가 없는 실제 CFD 문제에도 적용 가능함을 시사한다. 데이터‑구동에서는 정확 해를 미리 계산한 격자(30×40) 위에서 MSE 손실을 최소화했으며, 100 epoch 동안 Adam(α=1e‑2) 최적화로 수렴했다.

실험 결과는 두드러진 성능 차이를 보여준다. 속도 성분(vx, vy)에서 RMSE가 각각 36% 감소하고, 압력(p)에서는 41% 감소했으며, 전체 파라미터 수는 936개(양자+고전) 대비 MCN의 1239개에 비해 24% 적다. 이는 양자 회로가 적은 파라미터로도 고주파 정보를 효율적으로 학습한다는 증거다. 또한, 양자 회로가 얕고 2‑큐비트 수준이므로 현재 NISQ 디바이스에서도 시뮬레이션 및 잠재적 실험 구현이 가능하다.

한계점으로는 양자 회로의 깊이가 얕아 복잡한 비선형 상호작용을 완전히 포착하기 어려울 수 있다는 점과, 현재는 시뮬레이터 기반 학습이므로 실제 양자 하드웨어에서의 노이즈와 배런 플래토 현상에 대한 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 더 깊은 변분 양자 회로(VQC)를 도입하거나, 양자 오류 정정 기법과 결합해 실시간 CFD 시뮬레이션에 적용하는 방안을 모색할 필요가 있다.