A Neural Operator Emulator for Coastal and Riverine Shallow Water Dynamics

기술 요약: 해안 및 하천 천수 역학을 위한 신경 연산자 에뮬레이터

문제 정의
해안 지역과 하천 범람원은 극한 기상 현상에 매우 취약하며, 인프라 계획 및 기후 적응을 위해 정확한 실시간 예측이 필수적이다. ADCIRC 및 AdH와 같은 2차원 천수 방정식(2D SWE)에 기반한 고충실도 수치 모델은 정확한 시뮬레이션을 제공하지만, 실시간 응용 분야에 적용하기에는 계산 비용이 지나치게 높다. 반면, 전통적인 모델 차수 축소(Model Order Reduction) 및 표준 신경망은 변화하는 경계 조건, 도메인 파라미터 또는 초기 상태와 같은 분포 외(out-of-distribution) 조건에 대한 일반화 성능이 떨어지는 경우가 많다. 최근 신경 연산자(예: DeepONet, FNO)의 발전이 유망한 성과를 보여주고 있으나, 기존의 수리 역학 적용 사례들은 한계에 직면해 있다. 즉, 시변 경계 강제력(time-varying boundary forcings)을 포함하지 않고 초기 조건에만 의존하거나, 특정 관심 변수(예: 침수 범위)만을 예측할 뿐 상태 변수의 전체 시공간 진화를 예측하지 못하는 경우가 많다.

방법론: MITONet 프레임워크
저자들은 복잡하고 비선형적이며 시간 의존적인 파라미터화된 PDE를 에뮬레이션하기 위해 설계된 자기회귀 신경 연산자 프레임워크인 MITONet(Multiple-Input Temporal Operator Network)을 소개한다. 이 아키텍처는 확장성, 일반화 가능성 및 안정성을 해결하기 위해 네 가지 핵심 전략을 통합한다:

1. 잠재 공간 학습 (Latent Space Learning): 고차원 데이터를 효율적으로 처리하기 위해, MITONet은 사전 학습된 오토인코더 네트워크를 사용하여 고차원 솔루션 스냅샷(수면 높이 $H$ 및 속도 성분 $U, V$)을 저차원 잠재 공간으로 매핑한다. 신경 연산자는 이 잠재 공간 내에서 매핑을 학습함으로써 계산 복잡성을 크게 줄인다.
2. 다중 입력 처리 (Multiple-Input Handling): 입력을 단순히 결합하는 일반적인 DeepONet 변형과 달리, MITONet은 서로 다른 입력 함수를 개별적으로 인코딩하기 위해 여러 개의 독립적인 브랜치 네트워크를 활용한다. 이러한 입력에는 다음이 포함된다:
   • 잠재 공간 내의 초기 조건 (IC)
   • 시변 경계 조건 (BC) (예: 조석 수위, 유입 유량, 하류 수위)
   • 도메인 파라미터 (특히 스칼라 바닥 마찰 계수 $r$)
     트렁크(Trunk) 네트워크는 출력의 시간 좌표를 인코딩한다.
3. 정보 전파 강화 (Enhanced Information Propagation): 기울기 소실 문제를 완화하고 표현력을 높이기 위해, 프레임워크는 브랜치 및 트렁크 네트워크 모두에 대해 상호 연결된 "인코더" 네트워크(M-DeepONet 개념을 따름)를 도입한다. 이 인코더들은 순전파 과정 동안 다중 입력 브랜치와 트렁크 네트워크 간의 정보 교환을 촉진한다.
4. 시간적 번들링 (Temporal Bundling): 장기 자기회귀 예측을 가능하게 하고 오차 누적을 최소ize하기 위해, 모델은 시간적 번들링을 사용하여 학습된다. 단일 시간 단계를 예측하는 대신, 네트워크는 $\tau$개의 미래 단계를 동기적으로 예측한다. 추론 시, 해당 윈도우의 마지막 예측값이 다음 자기회귀 단계의 초기 조건으로 사용된다.

실험 설정
프레임워크는 2D SWE에 의해 지배되는 두 가지 뚜렷하고 현실적인 수리 역학 문제에 대해 평가되었다:

• 신네콕크 인렛 (Shinnecock Inlet, NY): 시변 조석 경계 조건에 의해 구동되는 해안 순환 문제이다. 이 도메인은 복잡한 기하 구조와 가변적인 메쉬 해상도를 특징으로 한다. 파라미터 외삽(parametric extrapolation)을 테스트하기 위해 바닥 마찰 계수($r$)를 넓은 범위(0.0025 ~ 0.1)로 변화시켰다.
• 레드 강 (Red River, LA): 비주기적이고 시변하는 유입량 및 하류 수위 경계 조건을 특징으로 하는 하천 흐름 문제이다. 이 도메인은 비정형 삼각형 메쉬와 실제 지형을 포함한다. 바닥 마찰 계수는 더 좁고 자연적인 범위(0.02375 ~ 0.02625) 내에서 변화되었다.

두 경우 모두 모델은 고충실도 수치 시뮬레이션 데이터(각각 ADCIRC 및 AdH로 생성됨)로 학습되었으며, 무작위 및 제로 초기 상태를 포함하여 보지 못한 파라미터 값과 초기 조건에 대해 테스트되었다.

주요 결과

• 예측 능력: MITONet은 vanilla DeepONet, Modified DeepONet, MIONet 및 Latent DeepONet보다 우수한 성능을 보였다. 신네콕크 인렛 사례에서 MITONet은 175일간의 자기회귀 롤아웃(rollout) 동안 0.9 이상의 이상 상관 계수(ACC)와 최대 0.011의 정규화된 평균 제곱근 오차(NRMSE)를 달 기록했다.
• 안정성 및 장기 예측: 프레임워크는 오차 누적을 최소화하면서 긴 예측 기간(최대 175일 또는 8,400 타임스텝) 동안 높은 정확도를 유지했다. 신네콕크 예시의 경우, 예측 기간을 55일에서 175일로 연장했을 때 RMSE 증가율이 9% 미만이었다.
• 일반화: 모델은 보지 못한 바닥 마찰 계수(파라미터 외삽)와 무작위 초기 상태(hotstarts) 및 제로 초기 상태(coldstarts, 약 2일 이내에 정확한 예측에 도달함)를 포함한 보지 못한 초기 조건에 대해 성공적으로 일반화되었다.
• 계산 효율성: MITONet은 물리 기반 솔버에 비해 상당한 속도 향상을 제공했다. 신네콕크 사례의 경우 ADCIRC 대비 109배의 속도 향상을 달성했다. 레드 강의 경우 AdH 대비 1,125배의 속도 향상을 달성하여, 단일 GPU에서 몇 초 만에 60일치 예보를 생성했다.
• 다양성: 프레임워크는 서로 다른 기하 구조, 메쉬 해상도 및 구동력을 가진 두 가지 뚜렷한 흐름 체계(준주기적 조석 역학 및 비주기적 하천 역학)를 성공적으로 에뮬레이션하여 그 유연성을 입증했다.

의의 및 주장
본 논문은 MITONet이 잠재 공간 연산자 학습, 다중 입력 처리 및 시간적 번들링을 하나의 구조화된 프레임워크로 융합함으로써 데이터 기반 수리 역학 모델링의 중요한 진전을 이루었다고 주장한다. 이 모델의 주요 의의는 특정 작업 전용 대리 모델(task-specific surrogate)이 아닌 범용 수리 역학 에뮬레이터로서 기능한다는 점에 있다. 특정 지표(예: 침수 범위 또는 관측소 수위)를 예측하거나 초기 조건에만 의존했던 이전 연구들과 달리, MITONet은 시변 경계 조건과 도메인 파라미터를 명시적으로 포함하면서 모든 천수 상태 변수($H, U, V$)의 전체 시공간 진화를 학습한다.

저자들은 이 프레임워크가 놀라운 속도와 정확성을 제공하지만, 훈련 분포를 크게 벗어난 극한 상황에서는 물리 기반 모델을 대체할 수 없음을 강조한다. 또한 현재의 한계점, 특히 **이산화 불변성(discretization invariance)**의 부재(고정된 잠재 공간 표현으로 인해 도메인의 임의의 지점으로 솔루션을 공간적 보간할 수 없는 점)와 특정 메쉬 기하 구조에 대한 의존성을 인정한다. 결론적으로, MITONটি는 해안 및 하천 환경에서의 실시간 계획 및 의사결정을 위한 견고한 토대를 제공하며, 향후 기하 구조 전이, 불확실성 정량화, 그리고 물리 기반 잔차 손실(physics-based residual losses)의 통합에 관한 연구가 필요함을 밝히고 있다.