발산 없는 신경 연산자를 통한 비압축성 흐름 모델링

본 논문은 데이터‑구동 유체 시뮬레이션에서 가장 근본적인 물리적 제약인 무압축성(∇·u=0)을 하드 제약으로 강제하는 통합 프레임워크를 제시한다. 저자들은 두 가지 주요 구성 요소를 설계했는데, 첫 번째는 Leray 투영을 이용한 “프로젝티브 회귀”이며, 두 번째는 “프로젝티브 생성”을 위한 무발산 가우시안 기준 측정이다. 1. 배경 및 문제 정의 - 기존 신경 연산기(FNO, DeepONet 등)는 입력‑출력 매핑을 학습하지만, 출력이 물리적 제약을 만족한다는 보장은 없다. - 무압축 흐름에서는 작은 발산 오류도 전역적인 질량 보존을 위반하고, 장기 롤아웃 시 수치적 붕괴를 초래한다. - 소프트 페널티(PINN 등)는 최적화 과정에서 제약을 완화하지만, 정확한 만족을 보장하지 못한다. 2. Leray 투영 기반 회귀 모델 - Helmholtz‑Hodge 분해에 따라 L²(T²;ℝ²) 공간은 발산 자유 부분 V와 irrotational 부분 V⊥ 로 직교 분해된다. - Leray 투영 P: L² → V는 각 Fourier 모드 k에 대해 P̂(k)= (I−k⊗k/‖k‖²)·û(k) 로 구현된다. - 신경 연산기 fθ가 예측한 임의 벡터장 w에 대해 û = P w 를 적용함으로써, 모든 출력이 정확히 ∇·u=0 을 만족한다. - 이 연산은 미분 가능하고 GPU에서 효율적으로 수행되며, 역전파 시에도 정확히 전파된다. 3. 무발산 가우시안 기준 측정 설계 - 생성 모델은 확률 흐름 매칭(Flow Matching) 혹은 연속 정규화 흐름(CNF) 등을 사용한다. - 일반적인 표준 정규분포 N(0,I) 를 직접 사용하면, 변환 과정에서 발산 자유 제약이 깨진다. - 저자들은 스칼라 스트림 함수 ψ∼N(0,I) 를 정의하고, u=∇⊥ψ 로 변환한다. 이 변환은 선형이며, Jacobian이 상수이므로 확률밀도는 보존된다. - 결과적으로 u는 자동으로 V에 속하고, 기준 측정 자체가 무발산 가우시안이 된다. 4. 프로젝티브 생성 파이프라인 - 초기 샘플은 위에서 정의한 무발산 가우시안에서 추출된다. - 흐름 매칭 단계에서 신경 연산기 fθ가 예측한 중간 벡터장에 매번 Leray 투영 P를 적용한다. - 이렇게 하면 시간 τ∈