라그랑지 데이터 활용한 수송 지배 문제의 선형·비선형 차원축소 모델 미래 예측 향상

초록

본 논문은 수송‑지배 PDE에서 전통적인 Eulerian 기반 ROM이 미래 예측 시 데이터 간 상관성이 약해 정확도가 떨어지는 문제를 지적한다. 특성선(라그랑지) 정보를 이용하면 Kolmogorov n‑width가 빠르게 감소하고, 과거와 미래 해가 강하게 연관되므로 압축 및 예측 성능이 크게 향상된다. 이를 바탕으로 라그랑지 자동인코더 ROM과 라그랑지 파라메트릭 DMD를 제안하고, 다양한 수치 실험을 통해 Eulerian 대비 높은 정확도와 안정성을 입증한다.

상세 분석

본 연구는 수송‑지배 문제, 즉 해가 특성선에 따라 이동하는 현상을 다루는 편미분 방정식(PDE)에서 차원축소 모델(ROM)의 근본적인 한계를 재조명한다. 전통적인 Eulerian 프레임에서는 고정된 격자 위에 해를 기록하므로, 시간에 따라 이동하는 파동이나 전선은 스냅샷 집합에서 서로 거의 직교하는 형태를 띤다. 이는 Kolmogorov n‑width가 느리게 감소한다는 수학적 사실(예: dₙ(M_E) ≥ c·n⁻¹/²)로 설명되며, 결과적으로 원하는 정확도를 얻기 위해서는 높은 차원의 선형 부분공간이 필요하다.

자동인코더 기반 비선형 ROM은 이러한 제한을 완화하려는 시도로, 고차원 해를 저차원 비선형 매니폴드에 매핑한다. 그러나 이 매니폴드가 Eulerian 좌표에 정의되면, 미래 시점의 해가 기존 스냅샷과 거의 겹치지 않아 학습된 매니폴드 외부에서 외삽(Extrapolation)해야 하는 상황이 발생한다. 실험(1D advection)에서 보듯, 8차원 자동인코더조차도 훈련 구간 이후의 이동된 파동을 정확히 재현하지 못한다.

라그랑지 프레임은 특성선을 따라 격자를 이동시켜, 해의 형태를 시간에 대해 거의 정적(Stationary)으로 만든다. 이때 해와 격자 좌표를 쌍으로 보는 복합 변수 (χ, u)를 정의하면, 해 집합 M_L 은 실질적으로 2차원 매니폴드가 된다. 논문은 정리 1을 통해 dₙ(M_L)=0 (n≥2)임을 증명함으로써, 라그랑지 좌표에서 Kolmogorov n‑width가 급격히 감소함을 이론적으로 뒷받침한다. 즉, 소수의 비선형 모드만으로도 전체 해 집합을 정확히 표현할 수 있다.

이러한 이론적 근거를 바탕으로 두 가지 비침입형 ROM을 설계한다. 첫 번째는 라그랑지 자동인코더(LAE)이다. 오프라인 단계에서 라그랑지 스냅샷을 이용해 인코더 G_e와 디코더 G_d를 학습하고, 라그랑지 좌표상의 잠재 변수 h를 얻는다. 온라인 단계에서는 파라메트릭 DMD(Parametric DMD) 프레임워크를 적용해 h(t;μ) 를 선형 동역학으로 전파하고, 디코더를 통해 Eulerian 해를 복원한다. 두 번째는 라그랑지 파라메트릭 DMD(LPDMD) 자체로, 라그랑지 좌표에 직접 Koopman 근사 A(μ) 를 구축하고 파라미터 μ에 대한 선형 보간을 수행한다.

수치 실험에서는 (i) 1D 선형 및 비선형 대류‑확산, (ii) 2D 원형 대류, (iii) 파라메트릭 Burgers 방정식 등 다양한 전형적인 수송‑지배 사례를 테스트한다. 모든 경우에서 LAE와 LPDMD는 동일 차원(예: r=816)에서도 Eulerian DMD와 Eulerian 자동인코더 대비 평균 상대 오차를 12자리 수 감소시키며, 특히 장기 예측 시 발산 현상이 현저히 억제된다. 또한, 라그랑지 기반 방법은 훈련 구간 외부에서도 높은 상관성을 유지하므로, 외삽이 아닌 보간 형태의 예측이 가능함을 실증한다.

결과적으로, 라그랑지 데이터 활용은 (1) Kolmogorov 장벽을 실질적으로 회피, (2) 비선형 매니폴드의 차원을 크게 축소, (3) 미래 예측 시 데이터 간 상관성을 보존함으로써 기존 Eulerian 기반 ROM의 근본적인 한계를 극복한다는 중요한 통찰을 제공한다.