스펙트럼 기반 다중해상도 신경연산자를 이용한 터뷸런스 초고해상도 복원

본 논문은 고해상도 터뷸런스 흐름을 저해상도 관측으로부터 복원하는 근본적인 역문제에 대해 새로운 신경연산자 프레임워크인 SIMR‑NO(Spectrally‑Informed Multi‑Resolution Neural Operator)를 제안한다. 서론에서는 관측 장비의 해상도 제한과 다운샘플링에 따른 영구적 데이터 손실이 물리적으로 의미 있는 소규모 와도시티 구조를 복원하기 어렵게 만든다는 점을 강조한다. 기존 보간법은 대규모 흐름은 재현하지만 고주파 와도시티와 같은 미세 구조를 전혀 회복하지 못한다. 최근 CNN 기반 초고해상도 모델(EDSR, LapSRN 등)은 이미지 복원에서 성공했지만, 터뷸런스와 같이 스펙트럼 특성이 중요한 물리 현상에서는 고주파 에너지와 엔스트로피 분포를 왜곡한다는 한계가 있다. 관련 연구 파트에서는 신경연산자(DeepONet, FNO 등)의 이론적 배경과 물리‑인포드, 변형‑가능, U‑형 구조 등 다양한 변형을 소개한다. 또한 터뷸런스 재구성에 적용된 기존 CNN 기반 접근법들을 정리하면서, 단일 단계 설계가 대규모와 소규모 흐름을 동시에 학습해야 하는 비선형 최적화 문제를 야기한다는 점을 지적한다. 핵심 기여는 세 가지이다. 첫째, 역문제를 다단계 역연산으로 분해하는 “계층적 역연산” 개념이다. 입력 저해상도에서 시작해 중간 해상도(8→16→32→64→128)로 점진적으로 확대하면서 각 단계마다 별도의 연산자를 학습한다. 둘째, “스펙트럼 게이팅 Fourier convolution”이다. 기존 FNO는 모든 파수 모드에 동일 가중치를 적용하지만, SIMR‑NO는 반경형 파수(k) 기반 게이팅 함수를 도입해 저주파와 고주파에 서로 다른 학습 강도를 부여한다. 이를 통해 터뷸런스 에너지 카스케이드와 일치하는 스펙트럼 편향을 모델에 내재시킨다. 셋째, “로컬 정밀화 모듈”로, 제한된 Fourier 차원(예: 12×12) 밖의 미세 구조를 CNN 블록이 보완하도록 설계하였다. 아키텍처는 각 단계마다 (i) bicubic 보간을 사전값으로 사용하고, (ii) 스펙트럼 게이팅된 Fourier 레이어를 통해 잔차를 학습하며, (iii) 로컬 CNN 정밀화로 고주파 디테일을 추가한다. 이렇게 하면 연산량이 단계별로 제한되고, 전체 파라미터 수가 기존 단일‑stage 모델보다 적으며, 해상도에 독립적인 일반화가 가능해진다. 실험 설정은 2D Kolmogorov‑forced turbulence 시뮬레이션 데이터를 사용한다. 원본은 128×128 격자이며, 이를 8×8로 다운샘플링해 입력으로 제공한다(16배 업스케일링). 201개의 독립 테스트 샘플에 대해 평균 ℓ₂ 상대오차, MSE, SSIM, PSNR을 측정했으며, SIMR‑NO는 26.04%의 ℓ₂ 상대오차와 가장 낮은 분산을 기록했다. 이는 FNO 대비 31.7% 감소, EDSR 대비 26.0% 감소, LapSRN 대비 9.3% 감소에 해당한다. 정량적 지표 외에도 복원된 에너지 스펙트럼과 엔스트로피 스펙트럼이 원본과 거의 일치했으며, 특히 고주파 영역에서 기존 CNN 기반 방법이 급격히 스펙트럼을 낮추는 반면, SIMR‑NO는 Fourier residual을 통해 정확히 재현했다. 시각적으로도 소용돌이 구조와 전단층이 원본과 유사하게 복원되었다. 논문의 마지막에서는 현재 2D 정방형 도메인에 한정된 점, 3D 복잡한 경계조건 및 비정형 메쉬에 대한 확장이 필요함을 언급한다. 또한 스펙트럼 게이팅 파라미터의 자동 튜닝 및 물리‑인포드 손실 함수 설계가 향후 연구 과제로 제시된다. 전반적으로 SIMR‑NO는 스펙트럼 인덕티브 바이어스를 계층적 연산과 결합함으로써, 대규모 다운샘플링 상황에서도 물리적으로 일관된 터뷸런스 초고해상도 복원을 가능하게 하는 중요한 진전을 제공한다.