Operator Learning on the Data-Driven Multiscale Space for Nonlinear Flow in Random Heterogeneous Porous Media

기술 요약: 무작위 불균질 다공성 매질 내 비선형 유동을 위한 데이터 기반 다중 스케일 공간에서의 연산자 학습

문제 정의
본 논문은 무작위 불균질 다공성 매질 내의 비선형 단상 유동을 시뮬레이션하는 과제를 다룹니다. 지배 방정식은 질량 보존 법칙과 압력 의존적 지수 투과율 및 포슈하이머(Forchheimer) 법칙을 포함하는 비선형 플럭스 법칙이 결합된 형태를 가집니다. 이러한 문제들은 채널, 장벽 및 복잡한 다중 스케일 구조를 포함하는 고대비 투과율 필드의 특성을 가집니다. 전통적인 미세 격자(fine-grid) 수치 해법은 특히 무작위 매질의 여러 실현(realization)에 대해 반복 수행될 때 계산 비용이 매우 높습니다. POD(Proper Orthogonal Decomposition) 및 갈레르킨 투영(Galerkin projection)과 같은 모델 차수 축소(Model Order Reduction, MOR) 기법들이 가속화를 제공하지만, 불균질 매질의 국부적 특징을 포착하는 데 어려움을 겪는 경우가 많습니다. 전역 축소 기저(global reduced bases)는 국부적인 유동 패턴을 효율적으로 포착하지 못할 수 있으며, 비선형 문제를 위한 투영 기반 방법들은 여전히 비용이 많이 드는 온라인 솔브(online solve)와 비선형 항 근사(예: DEIM)를 요구합니다.

방법론
저자들은 데이터 기반 다중 스케일 근사와 신경 연산자 학습을 통합하는 하이브리드 프레임워크를 제안합니다. 이 방법론은 세 가지 주요 구성 요소로 이루어집니다:

1. 국부 데이터 기반 다중 스케일 공간 구축:
   전역 축소 기저를 사용하는 대신, 본 방법은 미세 격자 해 스냅샷으로부터 국부 다중 스케일 공간($V_{ms}$)을 구축합니다.

• 국부 압축: 도메인을 조립된 인접 영역(coarse neighborhoods)으로 분할합니다. 각 인접 영역 내에서 대표적인 미세 스케일 해 스냅샷 세트에 대해 국부 POD를 적용합니다.
• 대표 샘계 선택: 오프라인 비용을 줄이기 위해, 국부 로그 투과율 필드의 k-평균 클러스터링(k-means clustering)을 통해 대표 샘플을 선택함으로써, 기저가 중복되는 스냅샷 없이 지배적인 국부 유동 패턴을 포착하도록 보장합니다.
• 전역 기저: 국부 모드들을 단위 분할 함수(partition-of-unity functions)를 사용하여 전역 도메인으로 확장함으로써, 희소하고 정합적인(conforming) 다중 스케일 기저를 생성합니다. 이 공간은 단일 전역 기저보다 국부적 불균질성에 더 효과적으로 적응합니다.

2. 축소 공간에서의 신경 연산자 학습:
   신경 연산자는 입력 투과율 필드로부터 미세 격자 해 전체를 예측하는 것이 아니라, 다중 스케일 기저의 계수를 매핑하는 법을 학습하도록 훈련됩니다.

• 아키텍처: 모델은 고정된 "트렁크(trunk)"(사전 계산된 다중 스케일 기저 함수)와 훈련 가능한 "브랜치(branch)" 네트워크(다층 퍼셉트론)를 갖는 DeepONet 유사 구조를 따릅니다. 브랜치 네트워크는 입력 로그 투과율 필드를 축소된 계수 벡터로 매핑합니다.
• 이산화 강건 훈련(Discretization-Robust Training): 학습 과정과 미세 격자 해상도를 분리하고 훈련 비용을 줄이기 위해, 저자들은 미세 격자 데이터를 더 거친 "학습 격자"로 매핑하는 선형 보간 연산자를 도입합니다. 신경 네트워크는 이 축소된 표현 위에서 훈련되며, 이를 통해 동일한 모델을 재학 обучение 없이 다양한 미세 격자 해상도에 적용할 수 있습니다.

3. 하이브리드 학습-솔버 전략:
   축소된 표현 및 이산화 강건 훈련으로 인해 발생할 수 있는 에너지 노름(energy norm) 및 잔차 만족도의 부정확성을 해결하기 위해 국부 수정 단계가 도입됩니다.

• 신경 연산자는 빠른 초기 전역 예측을 제공합니다.
• 소수의 국부 수정 반복(local correction iterations)이 수행됩니다. 각 반복에서 지배 방정식의 잔차가 계산되며, 결손된 미세 스케일 정보를 복구하기 위해 조립된 인접 영역에서 국부 미세 격자 문제가 풀립니다. 이 과정은 완전히 병렬화가 가능하며 미세 스케일 정보를 회복합니다.

주요 기여

• 국부 vs 전역 표현: 본 논문은 국부 데이터 기반 다중 스케일 공간이 불균질 매질 내의 고대비 채널에 대해 전역 POD 공간보다 더 효과적임을 입증합니다. 국부 기저는 인접 영역 내의 특정 유동 패턴에 적응하는 반면, 전역 기저는 제한된 모드로 다양한 국부 구성을 표현하는 데 어려움을 겪습니다.
• 온라인 솔브 제거: 온라인에서 축소된 비선형 시스템을 풀어야 하는 전통적인 차수 축소 모델(ROM)과 달리, 제안된 신경 연산자는 입력 파라미터로부터 솔루션 계수를 직접 예측하여 온라인 비선형 거친 격자 솔브의 필요성을 제거합니다.
• 이산화 강건성: 훈련 절차를 통해 하나의 훈련된 모델이 서로 다른 미세 격자 해상도에서 작동할 수 있게 하며, 이는 격자 해상도가 변할 수 있는 실제 응용 분야에서 큰 장점이 됩니다.
• 하이브리드 정확도: 신경 예측과 국부 다중 스케일 수정의 결 조합은 에너지 노름 정확도를 크게 향상시키는 동시에 신경 연산자의 계산 속도를 유지합니다.

수치 결과
프레임워크는 두 가지 유형의 불균질 매질(Karhunen–Loève 확장 기반 필드 및 채널화된 고대비 필드)을 사용하여 Darcy, Forchheimer 및 결합된 비선형 유동 문제에 대해 테스트되었습니다.

• 정확도: 국부 다중 스케일 트렁크에서 훈련된 신경 연산자는 갈레르킨 거친 솔브(Galerkin coarse solve)와 경쟁할 만한 $L_2$ 오차를 달anim했습니다. 매우 불균질한 채널화 케이스(Test 2)에서, 국부 다중 스케일 트렁크는 $L_2$ 오차 측면에서 전역 POD 트렁크보다 우수한 성능을 보였습니다.
• 효율성: 신경 연산자 예측은 Darcy 미세 솔브 및 비선형 미세 솔브보다 수십 배에서 수만 배 더 빠른 것으로 나타났습니다. $960 \times 960$ 격자의 경우, 신경 연산자는 Darcy 미세 솔브보다 약 3개 차수(orders of magnitude) 빠르고, 비선형 미세 솔브보다는 약 4개 차수 더 빨랐습니다.
• 수정 효능: 국부 다중 스케일 수정 반복은 에너지 노름 오차를 빠르게 감소시켰습니다. 일반적으로 높은 정확도를 달성하기 위해 단 몇 번의 반복(예: 3~5회)만이 필요했으며, 이는 신경 예측이 지배적인 전역 구조를 효과적으로 포착하고 있음을 확인시켜 줍니다.

의의 및 주장
저자들은 이 프레임워크가 불균질 다공성 매질 내의 비선처 유동을 위한 확장 가능하고 정확하며 효율적인 대리 모델(surrogate)을 제공한다고 주장합니다. 국부적 다중 스케일 공간의 근사 특성과 신경 연산자의 비선형 표현 능력을 활용함으로써, 이 방법은 전역 축소 모델의 한계를 극복합니다. 이 접근 방식은 특히 반복적인 미세 격자 시뮬레이션이나 온라인 축소 차수 솔브의 계산 부담 없이, 고대비 매질 내의 미세 스케일 특징을 해결하는 것을 목표로 합니다. 이산화 강건 훈련 전략의 포함은 격자 해상도가 변하는 문제에 대한 방법의 실질적인 적용 가능성을 더욱 높여줍니다.