다중축 어텐션 기반 하이브리드 CNN‑Transformer를 활용한 다방향 투과성 텐서 예측 및 물리‑인포드 전이 학습

본 논문은 다공성 매체의 미세구조 이미지로부터 2×2 투과성 텐서를 고정밀·고속으로 예측하는 새로운 프레임워크를 제시한다. 연구 배경으로는 기존 직접 수치 시뮬레이션(DNS)이 높은 정확도를 제공하지만 샘플당 수시간~수일이 소요돼 대규모 불확실성 정량화와 저장소 최적화에 병목이 된다는 점을 들었다. 최근 딥러닝 기반 접근법이 이미지‑투과성 매핑을 몇 밀리초 수준으로 가속화했지만, (i) 순수 CNN은 장거리 연결성을 포착하기 어렵고, (ii) 순수 ViT는 계산량이 급증하며 구조적 편향이 부족하고, (iii) 물리적 제약(대칭·양의 정부호성)이 학습에 충분히 반영되지 않아 비대각 성분 예측이 저조하다는 한계가 있었다. 이를 해결하기 위해 저자는 MaxViT라는 하이브리드 CNN‑Transformer를 채택한다. MaxViT는 입력 이미지를 블록(예: 8×8)과 그리드(전체) 두 축으로 나누어 각각 로컬 어텐션과 글로벌 어텐션을 수행한다. 로컬 어텐션은 작은 수용 영역 내에서 세밀한 기공‑목 형태를 학습하고, 글로벌 어텐션은 전체 이미지에 걸친 연결망을 요약한다. 이 구조는 투과성 텐서가 미세 기하학과 전역 토폴로지의 결합으로 결정된다는 물리적 직관과 일치한다. 학습 데이터는 20 000개의 합성 다공성 구조(128×128 이진 이미지)와 해당 구조에 대해 Lattice‑Boltzmann 시뮬레이션으로 얻은 정확한 투과성 텐서로 구성된다. 데이터는 3 옥텟스케일(10⁻³ ~ 10⁰)의 투과성 변동을 포함한다. 프레임워크는 세 단계의 점진적 전이 학습(Progressive Transfer Learning)으로 구성된다. 1. **Phase 1 (Baseline)**: ImageNet‑사전학습된 MaxViT 백본을 사용하고, D4(90° 회전·반사) 대칭군을 기반으로 이미지와 텐서를 동시에 변환하는 증강을 적용한다. 이는 라벨 일관성을 유지하면서 데이터 다양성을 확보한다. 2. **Phase 2 (Weighted Loss)**: 손실 함수에 비대각 성분(K_xy, K_yx)에 높은 가중치를 부여해 오프‑다이어고날 요소 학습을 강화한다. 동시에 물리‑인포드 손실을 도입한다. 대칭 위반을 L2 패널티(ε_sym)로, 양의 정부호 위반을 최소 고유값 힌지 패널티로 구현해 미분 가능하게 만든다. 3. **Phase 3 (FiLM Conditioning & Ensemble)**: 백본을 고정하고, 다공도(φ)를 FiLM 파라미터(γ,β)로 삽입해 조건부 특성을 학습한다. 이는 다공도가 투과성에 미치는 일차적인 물리적 영향을 모델이 직접 반영하도록 돕는다. 또한 Stochastic Weight Averaging과 Exponential Moving Average를 통해 모델 앙상블 효과를 얻어 일반화 성능을 향상시킨다. 각 단계는 학습 곡선과 오류 분포 분석을 통해 명확히 구분된 성능 향상을 보였다. 특히 Phase 2에서 비대각 성분 R²가 0.92→0.97으로 크게 상승했으며, Phase 3에서는 전체 R²가 0.993→0.9960으로 최종 수렴했다. 물리‑인포드 손실 덕분에 테스트 셋에서 평균 대칭 오차 ε_sym = 3.95 × 10⁻⁷, 양의 정부호 위반 0%를 달성해 사후 보정이 전혀 필요 없었다. 성능 비교에서는 동일 데이터와 동일 하이퍼파라미터를 사용한 순수 지도학습 CNN(ResNet‑50 기반) 대비 R² 차이가 0.9960 vs 0.9925이며, 평균 절대 오차는 3.1 % 감소했다. 또한 추론 시간은 120 ms/샘플(단일 RTX 3090)로, 기존 Lattice‑Boltzmann 시뮬레이션(≈2 h) 대비 60 000배 가속화되었다. 논문은 또한 **세 가지 전이 가능한 원칙**을 제시한다. 첫째, 대규모 자연 이미지 사전학습은 도메인 차이를 넘어 효과적으로 전이될 수 있다. 둘째, 물리적 제약은 손실 함수에 미분 가능 형태로 직접 삽입하는 것이 가장 견고하고, 학습 과정에서 자동으로 만족된다. 셋째, 단계적 커리큘럼과 실패 모드(예: 비대각 성분 저조, 대칭 위반) 분석을 결합하면 각 방법론적 요소의 기여도를 명확히 구분하고 최적화할 수 있다. 결론적으로, MaxViT 기반 하이브리드 아키텍처와 물리‑인포드 점진적 전이 학습은 다공성 매체의 투과성 텐서 예측 문제에 최적화된 솔루션을 제공한다. 이는 실시간 코어 스캔 후 즉시 물성 추정, 대규모 몬테카를로 불확실성 정량화, CO₂·H₂ 저장 시나리오 스크리닝 등 다양한 지구공학 응용에 바로 적용 가능하다.