기술 요약: 대리 유동 모델링을 위한 드리프팅 모델 (Drifting Models for Surrogate Flow Modeling)

문제 정의

전산유체역학(CFD)은 고충실도 유동장을 제공하여 실내 환경을 최적화하고 공기 질을 보장하는 표준 방식이다. 그러나 높은 계산 비용으로 인해 빠른 설계 탐색이나 실시간 제어가 어렵다. 데이터 기반의 대리 모델(Surrogate Model)이 해결책을 제시하지만, 다음과 같은 트레이드오프에 직면한다: 결정론적 구조(예: FNO, U-Net)는 빠르지만 복잡하고 다중 모드적인 유동 분포를 포착하는 데 실패하여 평균화된 기댓값을 예측하는 경향이 있다. 반대로, 확산 모델(Diffusion Models)과 같은 생성적 접근 방식은 물리적 복잡성과 불확실성을 잘 포착하지만, 수백 번의 신경 함수 평가(NFE)를 요구하는 반복적인 디노이징 과정으로 인해 추론 속도가 느리다는 단점이 있다.

방법론

저자들은 고품질의 단일 패스(single-pass) 생성을 달성하기 위해 생성적 드리프팅 프레임워크(generative drifting framework) [11]를 유체 역학에 적응시켰다. 반복적인 노이즈-투-데이터 궤적을 학습하는 확산(diffusion)이나 플로우 매칭(flow matching)과 달리, 드리프팅 모델은 훈련 중에 드리프팅 필드 $V_{p,q}$를 통해 데이터 분포 $p$에 부합하도록 푸시포워드 분포 $q$를 진화시킨다.

CFD를 위한 핵심 적응 사항

유동 예측에 드리프팅을 적용하기 위해 저자들은 세 가지 중요한 수정을 도입했다:

1. VAE를 통한 잠재 공간 드리프팅 (Latent-Space Drifting via VAE):
   원시 픽셀 공간에서 작동하거나 사전 학습된 이미지 특징을 사용하는 대신, 저자들은 시뮬레이션 데이터에 컨볼루션 변이형 오토인코더(VAE)를 학습시켰다. 이는 $64 \times 64$ 속도장을 압축된 $4 \times 4 \times 16$ 잠재 표현으로 매핑한다. 드리프팅은 이 잠재 공간 내에서 발생하며, 최적화되지 않은 사전 학습된 특징을 피하면서 구조적 무결성을 보존한다.

2. 조건부 아키텍처 (Conditional Architecture):
   모델은 입구/출구 위치, 실내 기하 구조, 입구 속도 크기($v_{in}$)를 포함한 경계 조건에 의해 조건화된다. 두 가지 조건화 변형이 조사되었다:

   • 라벨 기반 (Label-based): 입구/출구를 고정된 카탈로그의 이산적 식별자로 취급하며, 이를 학습된 테이블을 통해 임베딩한다. 이는 열거된 구성으로 제한된다.
   • 공간 기반 (Spatial): 식별자를 입구, 출구, 장애물 위치를 명시적으로 인코딩하는 3채널 바이너리 마스크로 대체한다. 이 변형은 미학습 기하 구조로의 일반화를 목표로 한다.
     두 변형 모두 스칼라 속도를 MLP를 통해 임베딩하고, 이를 기하 임베딩과 결래 결합하여 Diffusion Transformer (DiT) 백본을 구동한다.

3. 라벨 인식 양의 마스킹 (Label-Aware Positive Masking):
   배치 내에 혼합된 조건이 포함된 데이터 희소 설정을 처리하기 위해, 저자들은 바이너리 호환성 마스크를 도입했다. 이는 드리프팅 필드의 인력 커널(attraction kernel)을 게이팅하여, 생성된 샘플이 일치하는 (입구, 출구, 기하 구조) 삼중항을 가진 양의 샘플 쪽으로만 드리프트되도록 보장한다. 이는 모델이 서로 호환되지 않는 유동 체제(regime) 사이에서 평균화되는 것을 방지한다.

베이스라인 비교

드리프팅 모델은 동일한 잠재 공간에서 작동하는 잠재 확산 모델(Latent Diffusion Model, LDM) [19, 20] 베이스라인과 비교되었다. LDM은 조건화를 위해 교차 주의(cross-attention) 메커니즘과 1,000-스텝 코사인 스케줄 및 DDIM 샘플링을 사용한다.

실험 설정

• 데이터셋: Simcenter STAR-CCM+(RANS $k$-$\epsilon$ 모델)을 사용하여 생성된 $1.5\text{m} \times 1.5\text{m}$ 방 안의 비압축성 공기 흐름에 대한 2,025개의 정상 상태(steady-state) 2D CFD 시뮬레이션.
• 구성: 세 가지 기하학적 설정(빈 방, 중앙 장애물, 오프셋 장애물)과 입구/출구 위치의 체계적 변화(각 15개), 입구 속도의 변화(0.1, 0.2, 0.3 m/s).
• 지표: 필드 정확도(nRMSE, $R^2$, 코사인 유사도)와 유동 구조 일관성(발산 갭, 와도 갭)을 기준으로 평가.

결과

정량적 성능

• 정확도: 확산 베이스라인이 가장 높은 정확도(nRMSE: 0.059)를 달성했다. 라벨 기반 드리프팅 모델이 그 뒤를 바짝 쫓았으며(nRMSE: 0.068), 단일 단계에서도 경쟁력 있는 정확도를 보여주었다. 공간 기반 드리프팅 변형은 낮은 충실도(nRMSE: 0.108)와 높은 분산을 보였으나, 지배적인 유동 방향은 회복하였다.
• 유동 구조: 라벨 기반 드리프팅 모델은 확산 베이스라인과 대등한 수준의 발산 및 와도 갭을 유지하며 경쟁력 있는 유동 구조 일관성을 유지했다. 공간 기반 변형은 회전 구조를 과하게 예측하는 체계적인 경향을 보였다.
• 추론 속도: 드리프팅 모델은 확산 베이스라인보다 두 자릿수 더 빠르다. NVIDIA A100에서 드리프팅 모델은 1 NFE 기준 6.74 ms의 지연 시간을 달계한 반면, 확산 모델은 1000 NFE 기준 1870.2 ms가 소요되었다.

정성적 관찰

• 빈 방 시나리오에서 라벨 기반 드리프팅 모델은 제트(jet) 및 코너 재순환 구역을 포함한 주요 유동 토폴로지를 성공적으로 복구하였으며, 오차 분포는 확산 베이스라인과 유사했다.
• 장애물이 있는 시나리오에서 공간 조건화 변형은 필수적인 토폴로지(유동 분리, 경계 박리)를 포착했으나, 속도 스케일링 측면에서 어려움을 겪으며 국부적인 과잉 예측을 생성했다.

의의 및 주장

본 논문은 **조건부 드리프팅(conditional drifting)**이 유동 모델링을 위한 매우 효율적인 확산 기반 접근 방식의 대안이 될 수 있다고 주장한다. 주요 의의는 추론 속도가 중요한 실시간 CFD 대리 모델을 구현할 때, 확산의 반복적인 계산 부담 없이 이를 가능하게 한다는 점에 있다.

• 효율성: 모델은 NFE=1을 달축하여, 1000-스텝 확산 베이스라인 대비 추론 시간을 약 280배 단축하면서도 경쟁력 있는 정확도를 유지한다.
• 범용성: 현재의 라벨 기반 구현은 열거된 구성으로 제한되어 있으나, 저자들은 공간 조건화 변형이 현재의 성능 격차에도 불구하고 미학습 기하 구조로의 일반화를 향한 유망한 경로라고 제안한다.
• 프레임워크: 본 연구는 잠재 공간 드리프팅, 공간-스칼라 조건화, 라벨 인식 마스킹을 결합하여 과학 계산 대리 모델을 위한 재사용 가능한 프레임워크를 구축한다.

저자들은 확산 모델이 약간 더 정확하기는 하지만, 매우 작은 성능 차이와 압도적인 속도 우위를 고려할 때 단일 단계 드리프팅이 비용 제약이 있는 애플리케이션에 실행 가능한 솔루션임을 결론지었다. 향후 연구는 공간 조건화의 정확도 격차를 줄이고, 이를 과도(transient) 3D 영역으로 확장하는 데 집중될 예정이다.