당신이 복잡한 시스템, 예를 들어 고층 빌딩 주변에서 바람이 어떻게 소용돌이치는지 또는 금속판을 통해 열이 어떻게 퍼지는지를 예측하려고 한다고 상상해 보십시오. 과학의 세계에서 이러한 문제들은 편미분 방정식(PDE)이라는 특별한 수학적 레시피로 설명됩니다. 수십 년 동안 이 방정식을 푸는 것은 마치 어둠 속에서 미로를 헤매는 것과 같았습니다. 끊임없이 자신의 위치를 확인하며 아주 작고 조심스러운 발걸음을 내디뎌야 했고, 이는 엄청난 양의 컴퓨터 시간을 소모했습니다. 최근 과학자들은 디퓨전 모델(diffusion model)이라고 불리는 새로운 종류의 "AI 추측기"를 사용하기 시작했습니다. 이것은 마치 노이즈와 정전기로 가득 찬 찰흙 덩어리에서 시작하여, 노이즈를 천천히 깎아내어 완벽한 조각상을 드러내는 조각가와 같습니다. 이 방법은 지저받고 불완전한 데이터를 처리할 수 있고, 심지어 자신의 답에 대해 얼마나 확신이 없는지도 말해줄 수 있다는 점에서 매우 훌다합니다. 하지만 함정이 있습니다. 현재 버전의 이 조각가는 믿기 힘들 정도로 느립니다. 좋은 결과를 얻으려면 수천 번의 작은 단계를 거쳐야 하며, 매번 추측을 할 때마다 그것이 물리학 법칙을 따르고 있는지 확인하기 위해 복잡하고 에너지를 많이 소모하는 계산을 실행하며 멈춰야 합니다. 이는 마치 요리사가 재료를 넣을 때마다 음식 과학자에게 전화를 걸어 "이것이 화학적으로 맞습니까?"라고 묻기 위해 매번 멈춰야 하는 요리사와 같습니다. 그 과정은 매우 고통스럽습니다.

여기서 새로운 연구팀이 PRISMA라는 영리한 해결책을 들고 등장합니다. 그들은 다음과 같은 단순한 질문을 던졌습니다. 만약 조각가가 매 단계마다 백과사전을 확인하기 위해 멈추는 대신, 물리 법칙을 조각가의 손 안에 직접 만들어 넣는다면 어떨까? 그들의 논문은 PRISما(PRISMA)라는 새로운 유형의 AI를 소개합니다. 이 모델은 단순히 "추측"하고 "확인"하는 것이 아니라, 작업하는 동안 물리학을 "느끼는" 방식입니다. 우주의 법칙을 모델의 구조(architecture) 안에 직접 내장함으로써, PRISMA는 느리고 비용이 많이 드는 확인 단계를 통째로 건너뛸 수 있습니다. 그 결과, 이 시스템은 놀라울 정도로 정확할 뿐만 아니라 이전 방식보다 15배에서 250배 더 빠릅니다. 데이터가 깨끗하든, 희소하든(데이터가 누락되었거나), 노이즈가 많든(정전기로 가득 차 있든), PRISMA는 재학습 없이도 실시간으로 적응하며, 과학의 가장 까다로운 퍼즐들을 풀 수 있는 번개처럼 빠른 방법을 제공합니다.

문제점: 느린 조각가

PRISMA가 왜 대단한 일인지 이해하려면, 먼저 "기존 방식"이 어떻게 작동하는지 살펴봐야 합니다. 당신이 폭풍의 흐릿하고 손상된 사진을 복원하려고 한다고 상상해 보십시오. 당신에게는 폭풍이 보통 어떤 모습인지 알고 있는 강력한 AI가 있습니다. 디퓨전 포스테리어 샘플링(Diffusion Posterior Sampling, DPS)이라고 알려진 현재의 최선책은 다음과 같이 작동합니다. AI는 순수한 정전기 노이즈에서 시작하여 이를 점진적으로 선명한 폭풍 사진으로 바꾸려고 시도합니다. 하지만 문제는 여기에 있습니다. AI는 이 특정 폭용에 대한 구체적인 물리 법칙을 모릅니다. 따라서 노이즈를 제거하는 매 단계마다, 컴퓨터는 사진이 실제로 유체 역학 법칙을 따르고 있는지 확인하기 위해 별도의 무거운 계산을 실행하며 멈춰야 합니다.

이는 마치 케이크를 굽는 요리사가 재료를 추가할 때마다 음식 과학자에게 전화를 걸어 "이것이 화학적으로 올바른가요?"라고 물어야 하는 것과 같습니다. 작동은 하지만, 시간이 너무 오래 걸립니다. 더욱이, 입력 데이터에 노이즈가 있거나 조각이 빠져 있다면(예: 긁힌 자국이 있는 사진), AI는 혼란에 빠집니다. 이 모델은 새로운 유형의 문제마다 특정 설정으로 수동 조정이 필요할 때가 많으며, 노이즈가 너무 높으면 전체 과정이 불안정해지고 실패할 수 있습니다. 논문은 이러한 외부의 느린 확인 절차에 의존하는 것이 이러한 강력한 AI 모델이 실시간 상황에서 유용하게 사용되는 것을 막는 병목 현상이라고 주장합니다.

해결책: 손 안에 물리학을 구축하기

이 논문의 저자인 메다 사위니(Medha Sawhney)와 버지니아 공대 팀은 다른 접근 방식을 제안합니다. 물리 법칙을 외부 체크리스트로 취급하는 대신, 그들은 물리 법칙을 AI의 "근육 기억" 속에 직접 구축하기로 결정했습니다. 그들은 PRISMA(PDE Residual Informed Spectral Modulation with Attention)라는 새로운 모델을 만들었습니다.

PRISMA를 물리학의 법칙이 손가락 끝에 문신처럼 새겨진 조각가라고 생각해 보십시오. 노이즈를 깎아낼 때, 그들은 책을 확인하기 위해 멈출 필요가 없습니다. 대신, 그들에게는 "스펙트럴 레지듀얼 어텐션(Spectral Residual Attention, SRA)" 블록이라는 특별한 도구가 있습니다. 이 도구는 물리학의 "소리"를 듣는 초정밀 레이더처럼 작동합니다. 만약 AI의 현재 추측이 약간 틀렸다면, SRA 블록은 파동의 주파수에서 발생하는 오차를 즉각적으로 감지하고(마치 노래에서 약간 음이 이탈한 음을 듣는 것처럼), AI가 다시 궤도에 오를 수 있도록 부드럽게 밀어줍니다.

이 과정은 모델의 구조 내부에서 일어나며, 이는 AI가 진행하면서 스스로를 수정하는 법을 배운다는 것을 의미합니다. AI는 매 단계마다 비싸고 느린 계산을 실행할 필요가 없습니다. 마치 조각가가 이제 항상 북쪽을 가리키는 나침반을 내장하고 있어, 하나의 매끄럽고 연속적인 동작으로 조각상을 깎을 수 있게 된 것과 같습니다.

작동 원리: "스펙트럴" 경청의 마법

논문은 PRISMA가 "스펙트럴 도메인(spectral domain)"에서 문제를 바라봄으로써 작동한다고 설명합니다. 음악의 화음을 상상해 보십시오. 당신은 화음 전체를 들을 수 있지만, 또한 그것을 구성하는 개별 음(주파수)들을 골라낼 수도 있습니다. PRIS-MA는 폭풍이나 열 흐름의 수학적 문제를 이와 동일하게 다룹니다. 이 모델은 문제를 다양한 주파수로 분해합니다.

AI가 추측을 하면, "레지듀얼(residual)"을 계산합니다. 이는 물리학이 일어나야 한다고 말하는 것과 AI가 현재 일어나고 있다고 생각하는 것 사이의 차이를 뜻하는 멋진 용어입니다. 그런 다음 PRISMA는 SRA 블록을 사용하여 주파수 영역에서 이 차이를 살펴봅니다. AI는 다음과 같이 묻습니다. "이 화음에서 어떤 특정 음들이 음이 이탈했는가?" 그런 다음 AI에게 "여기 높은 음의 오류를 수정하되, 낮은 음 부분은 그대로 두어라"라고 알려주는 특별한 마스크를 생성합니다.

결정적으로, 이 과정은 "그래디언트 디센트 프리(gradient-descent free, 경사 하강법이 필요 없는)" 방식입니다. 기존 방식에서 컴퓨터는 오류를 어떻게 수정할지 알아내기 위해 거대한 역계산을 수행해야 했습니다. PRISMA는 이 과정을 완전히 건너뜁니다. 그저 직접 수정 사항을 적용할 뿐입니다. 이것이 바로 훨씬 더 빠른 이유입니다. 논문은 PRISMA가 단 2050단계 만에 이 문제를 해결할 수 있는 반면, 이전의 최선책들은 2002,000단계가 필요했다는 것을 보여줍니다.

결과: 빠르고, 견고하며, 무엇이든 준비된

연구팀은 PR-ISMA를 다공성 암석을 통과하는 물의 흐름(Darcy flow), 열의 이동(Poisson), 공기의 소용돌이(Navirier-Stokes)를 포함한 다섯 가지 유형의 물리 문제에 대해 테스트했습니다. 그들은 모델을 몇 가지 혹독한 테스트에 투입했습니다:

1. 노이즈 데이터: 실제 센서 오류를 시뮬레이션하기 위해 입력에 무작위 정전기를 추가했습니다.
2. 희소 데이터: 퍼즐 조각 대부분이 사라진 것처럼, 정보의 단 3%만을 모델에게 제공했습니다.
3. 새로운 조건: 유체의 끈적임(점성) 정도가 다른 것과 같이, 모델이 한 번도 본 적 없는 조건에서 테스트했습니다.

결과는 인상적이었습니다. 노이즈가 섞인 Darcy flow 테스트에서, PRISMA는 단 12.28%의 오차율을 기록한 반면, 이전의 최선형 디퓨전 방식(DiffusionPDE)은 49.18%의 오차를 보였습니다. 더욱 놀라운 것은 속도였습니다. PRISMA는 경쟁 모델보다 15배에서 250배 더 빨랐습니다. 예를 들어, Darcy flow 문제에서 DiffusionPDE가 213초가 걸리는 동안, PRISMA는 솔루션을 생성하는 데 단 0.18초밖에 걸리지 않았습니다.

또한 논문은 PRISMA가 서로 다른 작업에 대해 재학습할 필요가 없다는 점을 강조합니다. 미래를 예측하든(순방향 문제), 결과로부터 원인을 찾아내든(역방향 문제), 혹은 완전한 데이터를 갖든 혹은 흩어진 몇 개의 점만을 갖든, 동일한 PR-ISMA 모델이 이 모든 것을 처리합니다. 이는 모델이 어떤 정보가 사용 가능한지 알려주는 "마스크"를 사용하기 때문이며, 이를 통해 추가 학습 없이 즉각적으로 적응할 수 있습니다.

왜 중요한가

저자들은 이것이 거대한 도약이긴 하지만, 아직 모든 문제에 대한 마법의 지팡이는 아니라는 점을 주의 깊게 언급합니다. 현재 버전의 PRISMA는 2D 그리드(평면)와 규칙적인 모양에서 가장 잘 작동합니다. 아직 인간의 심장이나 울퉁불퉁한 산맥과 같은 복잡한 3D 구조나 불규칙한 모양에 대해서는 테스트되지 않았지만, 저자들은 이 방법이 궁극적으로 그 분야에도 적응될 수 있다고 제안합니다.

하지만 PRISMA가 해결하는 문제들에 있어서 그 영향력은 명확합니다. 느린 외부 체크의 필요성을 제거함으로써, PRISMA는 이러한 강력한 AI 모델을 실시간 응용 분야에서 사용할 수 있는 문을 열어줍니다. 새로운 데이터가 들어오는 대로 즉각 업데이트되는 기상 예보나, 흐릿하고 노이즈가 섞인 스캔에서 순식간에 선명한 이미지를 재구성하는 의료 영상 도구를 상상해 보십시오. 논문은 물리 가이드 AI를 빠르고 견고하게 만듦으로써, 유체 역학, 지하 모델링, 의료 영상과 같은 분야의 과학적 발견을 가속화할 수 있다고 시사합니다.

요약하자면, PRISMA는 현재의 AI 물리 솔버들이 가진 "느리고 꾸준한" 접근 방식을 "빠르고 스마트한" 시스템으로 바꿉니다. 시스템 시작 단계부터 규칙을 내장한다면, 매 단계마다 규칙을 확인하기 위해 멈출 필요가 없다는 것을 증명합니다. 그 결과, 이 도구는 정확할 뿐만 아니라 무질서하고 노이즈가 많으며 빠르게 변화하는 현실 세계에서 실제로 사용할 수 있을 만큼 실용적입니다.