기하학 기반 라그랑지안 샘플링으로 구현한 초고속 차원 축소 모델 GIOROM

초록

본 논문은 라그랑지안 입자 시스템을 전역 잠재 공간이 아닌 물리 공간에서 직접 샘플링해 차원을 축소하고, 신경망 기반 PDE 연산자와 학습 가능한 커널을 결합해 임의 위치에서 고해상도 해를 효율적으로 조회한다. 입자 수를 6.6배~32배까지 감소시키면서도 유체·입자·탄성·소성 등 다양한 물리 현상을 높은 정확도로 재현한다.

상세 분석

GIOROM은 기존 ROM이 전역 잠재 변수를 투영해 저차원 공간에서 시간 적분을 수행하고, 디코더를 통해 전체 필드를 복원하는 방식과 달리, 물리 공간 자체에서 대표 입자 집합을 선택해 직접 동역학을 전개한다는 근본적인 패러다임 전환을 제시한다. 핵심은 두 단계로 구성된다. 첫 번째는 신경망 기반 자동회귀 PDE 연산자 ϕΘ 를 이용해 샘플 입자들의 가속도를 예측하고, 이를 시간 적분해 입자 위치와 속도를 업데이트한다. 이 연산자는 기존 FNO·DeepONet 등과 달리 입력 형태에 구애받지 않으며, 입자 간 상호작용을 그래프 신경망(GNN) 형태로 모델링해 복잡한 라그랑지안 힘을 학습한다. 두 번째는 학습 가능한 커널 ψ(x, y) 를 이용한 연속적 적분 연산자로, 현재 시점에 샘플 입자들의 값 v(y, t) 를 주변에 가중 평균해 임의 좌표 x 에서의 필드 값을 복원한다. 커널은 파티션‑오브‑유니티 조건을 만족하도록 정규화돼, 밀도 변화에 강인하고 지역적 기하 정보를 자연스럽게 반영한다.

GIOROM은 이 커널 연산을 효율적으로 구현하기 위해 입자들을 고정 격자에 투사하고, 트리플리니어 보간을 이용해 격자 기반 밀도 D_grid 와 특징 F_grid 를 만든 뒤, 스토캐스틱 샘플링을 통해 기대값을 추정한다. 이 과정은 입자 수 r 에 비례하는 연산량을 격자 크기로 대체해, 고해상도 시뮬레이션에서도 실시간 수준의 추론을 가능하게 한다.

실험에서는 유체 흐름, 입자 매질, 탄성·소성 변형 등 3차원 라그랑지안 시스템을 대상으로, 입력 차원 P·d 에 비해 6.6배~32배 적은 샘플 입자만으로도 원본 시뮬레이션과 거의 구분되지 않는 L2 오차를 기록했다. 또한, 기존 POD‑기반 ROM이나 Neural Field‑기반 ROM이 지역적 급변 현상을 포착하지 못하는 반면, GIOROM은 입자 기반 로컬 정보를 직접 활용해 고주파 현상을 정확히 재현한다. 비침습적(data‑driven) 특성 덕분에 PDE 형태가 명시되지 않아도 학습이 가능하며, 다양한 격자·메시 형태에 대해 동일한 모델을 재사용할 수 있다.

이러한 설계는 차원 축소와 고해상도 조회를 동시에 만족시키는 최초의 프레임워크라 할 수 있다. 특히, “커널‑인테그랄 ROM”이라는 새로운 수학적 정의를 도입해 전통적인 전역 기저 투영 방식의 한계를 극복하고, 입자‑기반 물리 시뮬레이션과 신경 연산자를 자연스럽게 연결한다는 점이 혁신적이다.