구조 보존 랜덤 신경망을 이용한 비압축성 마그네토수력학 방정식 해법

초록

본 논문은 비압축성 마그네토수력학(MHD) 방정식의 두 개의 발산 제로 제약을 정확히 만족하면서 비선형 최적화 없이 선형 최소제곱 문제로 변환하는 구조 보존 랜덤 신경망(SP‑RaNN) 프레임워크를 제안한다. Picard 혹은 Newton 반복으로 방정식을 선형화하고, 공간‑시간 콜로케이션 포인트에 유한차분 스키마를 적용해 선형 시스템을 구축한다. 무작위 초기화된 은닉층 가중치를 고정하고 출력층 가중치만 선형 최소제곱으로 학습함으로써 최적화 오류를 크게 감소시키며, curl 기반의 발산 자유 베이스 함수를 설계해 속도와 자기장 모두 점별 발산 자유를 보장한다. 수치 실험에서 Navier‑Stokes, Maxwell, 그리고 완전 MHD 시스템에 대해 전통적인 FEM 및 기존 물리‑인포메드 신경망과 비교해 높은 정확도, 빠른 수렴, 그리고 제약 위반이 전혀 없음을 확인하였다.

상세 분석

본 연구는 비압축성 MHD 방정식이 갖는 두 종류의 발산 자유 제약(속도 ∇·u=0, 자기장 ∇·B=0)을 근본적으로 만족시키는 새로운 신경망 구조를 제시한다. 핵심 아이디어는 임의로 초기화된 은닉층 가중치와 편향을 고정하고, 마지막 출력층 가중치만을 선형 최소제곱으로 학습하는 랜덤 신경망(RaNN) 개념을 차용하는 것이다. 여기서 중요한 점은 발산 자유 베이스 함수를 curl 연산을 통해 직접 구성한다는 점이다. 3차원에서는 임의의 벡터 포텐셜 Ψ를 정의하고 u=∇×Ψ 형태로 변환함으로써 자동으로 ∇·u=0을 만족한다. 각 은닉 뉴런은 스칼라 활성화 함수 ψ_i(w_i·x+b_i)를 사용하고, 이를 미분해 curl 연산을 적용해 φ_i(x) = (w_i3 ψ’_i, −w_i2 ψ’_i, …) 형태의 발산 자유 벡터를 만든다. 2차원에서도 동일하게 스칼라 포텐셜 ψ를 이용해 φ=(∂ψ/∂y, −∂ψ/∂x) 형태의 베이스를 만든다. 이렇게 구성된 φ_i들은 선형 결합을 통해 전체 해를 표현하므로, 학습 과정은 α_i,β_i,…와 같은 선형 계수를 구하는 최소제곱 문제로 축소된다.

비선형 MHD 방정식 자체는 Picard 혹은 Newton 반복을 사용해 선형화한다. Picard 방식은 현재 iterate (uⁿ, Bⁿ)를 고정하고 새로운 (uⁿ⁺¹, Bⁿ⁺¹)를 선형 PDE 형태로 만든다. Newton 방식은 Jacobian을 명시적으로 구성해 보다 빠른 수렴을 기대한다. 두 경우 모두 시간과 공간을 동일하게 다루는 공간‑시간 콜로케이션 방식을 채택해 전통적인 시간‑스텝핑에 따른 누적 오차를 회피한다. 콜로케이션 포인트에서는 2차 혹은 4차 유한차분 스키마를 적용해 미분 연산을 이산화하고, 경계 조건은 Dirichlet 및 Neumann 형태로 직접 삽입한다.

이러한 설계는 여러 장점을 제공한다. 첫째, 발산 자유 제약을 베이스 수준에서 만족하므로 추가적인 라그랑주 승수나 페널티 항이 필요 없다. 둘째, 출력층 가중치만을 최적화하기 때문에 비선형 비볼록 최적화 문제를 회피하고, 선형 최소제곱 솔버(예: QR 분해, SVD)를 이용해 전역 최적해를 빠르게 얻을 수 있다. 셋째, 무작위 은닉층 가중치가 고정되어 있기 때문에 학습 파라미터 차원이 크게 감소하고, 메모리와 연산량이 전통적인 깊은 신경망에 비해 현저히 적다. 마지막으로, 구조 보존 특성 덕분에 높은 레이놀즈 수나 전도도 조건에서도 수치적 안정성을 유지한다.

수치 실험에서는 (1) 2D/3D Navier‑Stokes, (2) Maxwell 방정식, (3) 완전 MHD 시스템을 대상으로 정확도와 수렴 속도를 비교하였다. 결과는 SP‑RaNN이 기존 물리‑인포메드 신경망(PINN) 대비 L2 오차가 1‑2 차수 감소하고, FEM 대비 동일 격자에서 더 높은 차수의 정확도를 보이며, 특히 ∇·u와 ∇·B가 기계적으로 0이 되는 것을 확인했다. 또한 Newton 기반 SP‑RaNN은 Picard 대비 평균 30%~50% 적은 반복 횟수로 수렴했으며, 전체 학습 시간도 전통적인 DNN 기반 방법보다 2배 이상 빠르게 수행되었다.

전반적으로 본 논문은 발산 자유 물리량을 정확히 보존하는 신경망 베이스 설계와 선형 최소제곱 학습을 결합함으로써, 비압축성 MHD와 같은 복합 다중물리 PDE 시스템을 효율적으로 해결할 수 있는 새로운 패러다임을 제시한다.