위너 혼돈 전개 기반 피얼엠(FiLM) 신경 연산자 for 동적 Φ⁴ 모델

초록

본 논문은 위너 혼돈 전개(WCE)를 활용한 피얼엠(FiLM) 방식의 신경 연산자(WCE‑FiLM‑NO)를 제안한다. 이 모델은 동적 Φ⁴₂와 Φ⁴₃와 같은 특이 스토캐스틱 PDE(특히 양자장 이론에서 등장하는 모델)의 해를, 전통적인 재노멀라이제이션 없이도 정확히 근사한다. 위너‑헤르미트 특징을 입력으로 사용하고, FiLM을 통해 스무스 잔여항(v)와 잡음 항(X, X⊙², X⊙³)을 효과적으로 결합한다. 실험 결과는 기존 최첨단 모델(NSPDE)보다 낮은 L₂ 오차와 뛰어난 일반화 능력을 보여준다.

상세 분석

이 연구는 두 가지 핵심 아이디어를 결합한다. 첫째, 위너 혼돈 전개(WCE) 이론에 따라 반선형 SPDE의 해를 유한 개의 결정론적 PDE 해와 다중 차원의 위너‑헤르미트 다항식(‘위너 특징’)의 선형 결합으로 표현한다는 점이다. 기존 WCE‑NO는 이러한 위너 특징을 그대로 FNO(푸리에 신경 연산자)의 입력으로 넣어 ‘시프트 방정식(Shift Equation)’을 풀었다. 그러나 특이 SPDE, 특히 Φ⁴₂와 Φ⁴₃에서는 해가 ‘잡음 주도 항’ X와 ‘스무스 잔여항’ v로 분리되는 DPDD(다 프라토‑데부시에 분해) 구조를 갖는다. 단순히 위너 특징을 FNO에 투입하면 잡음 항과 잔여항 사이의 비선형 상호작용을 충분히 포착하지 못한다는 한계가 있다.

둘째, 논문은 FiLM(Feature‑wise Linear Modulation) 메커니즘을 도입해 이 문제를 해결한다. 구체적으로, 위너 특징 ξₐ와 시공간 좌표 (x, t)를 컨디셔닝 네트워크(gθ, 2‑D Conv)로 처리해 스케일링 γθ와 시프팅 τθ를 생성한다. 이후 FNO가 예측한 잔여항 bv(x,t)에 γθ와 τθ를 선형 변환(1+γθ)·bv+τθ 형태로 적용한다. 이 과정은 FiLM이 원래 이미지·비전 분야에서 ‘조건부 정규화’ 역할을 하던 것을, 연산자 학습에 맞게 재구성한 것이다. 결과적으로 모델은 (i) 위너 특징을 통해 X, X⊙², X⊙³를 정확히 재구성하고, (ii) FiLM을 통해 이 잡음 항이 잔여항 v에 미치는 비선형 영향을 학습한다.

실험 설계는 두 가지 잡음 스펙트럼 절단값 ε=2와 ε=128을 사용해 각각 학습하고, 교차 절단 평가를 수행한다. 표 1은 상대 L₂ 오차를 NSPDE와 비교한 결과를 보여준다. WCE‑FiLM‑NO는 ε=2 학습 후 ε=128 평가에서도 0.017(ε=128) 수준의 오차를 기록, 재노멀라이제이션 상수 aε 없이도 NSPDE가 aε를 이용해 0.998에 근접하는 성능을 내는 것을 능가한다. 이는 모델이 잡음 스펙트럼 변화에 강인함을 의미한다.

또한, Φ⁴₃에 대한 초기 시뮬레이션 파이프라인을 제시한다. 여기서는 격자 기반 SDE를 반암시적 Euler‑FFT 스키마로 풀고, 질량 이동(mε=3C₀−9C₁)만을 부분적으로 구현한다. 비록 완전한 카운터터미를 아직 포함하지 않았지만, 장기 안정성·격자 정밀도·교차 해상도 일반화 테스트를 위한 베이스라인을 제공한다.

한계점으로는 (1) Φ⁴₃ 실험이 아직 ‘프로토타입’ 수준이며, (2) FiLM 모듈이 단순 2‑D Conv에 의존해 복잡한 공간‑시간 상관관계를 충분히 포착하지 못할 가능성, (3) 다른 최신 SPDE 전용 연산자(NORS, DLR‑Net 등)와의 직접 비교가 누락된 점을 들 수 있다. 향후 연구에서는 (i) 완전한 카운터터미 구현과 고차 시간 적분법(예: stochastic exponential RK) 적용, (ii) FiLM을 Transformer‑ 기반 조건부 인코더로 교체해 표현력을 확대, (iii) 다중 스케일 잡음 전처리와 다중 해상도 학습을 결합해 Φ⁴₃와 같은 고차원 특이 SPDE에 대한 일반화 능력을 정량화할 필요가 있다.

전반적으로, 위너 혼돈 전개와 FiLM을 결합한 WCE‑FiLM‑NO는 특이 SPDE의 구조적 특성을 학습 가능한 형태로 변환함으로써, 재노멀라이제이션 없이도 높은 정확도와 강인한 일반화를 달성한 혁신적인 데이터‑구동 대리 모델이다.