From Fixed Grids to Moving Particles:A Transferable Latent Operator for Fluid Dynamics

당신은 유리잔 속의 물에서 잉크 한 방울이 어떻게 소용돌이치며 퍼지는지 예측하려고 노력하고 있다고 상상해 보십시오. 과학자들은 이 현상을 관찰하는 두 가지 주요 방법을 가지고 있습니다. 첫 번째 방법은 오일러(Eulerian) 관점으로, 강둑에 서서 고정된 바위들을 지나가는 물의 흐름을 지켜보는 것과 같습니다. 당신은 그 바위들이 있는 바로 그 지점에서 물의 속도와 방향을 반복해서 측정합니다. 이 방식은 전체적인 흐름의 큰 그림을 보는 데는 훌がある지만, 그 위에 떠 있는 특정 나뭇잎이 정확히 어디로 가게 될지는 알려주지 않습니다. 두 번째 방법은 라그랑주(Lagrangian) 관점으로, 그 나뭇잎에 카메라를 부착하는 것과 같습니다. 당신은 나뭇잎의 정확한 여정을 따라가며, 그것이 어떻게 뒤틀리고 회전하며 휩쓸려 가는지를 관찰합니다. 이 방식은 물체가 어디로 이동하는지 추적하는 데는 완벽하지만, 수천 개의 개별 나뭇잎을 동시에 추적해야 하기 때문에 데이터를 수집하기가 훨씬 더 어렵습니다.

오랫동안 데이터로부터 학습하는 컴퓨터 모델들은 이 "강둑에 서 있는" 스타일(오일러 방식)에는 전문가였습니다. 이 모델들은 체스판처럼 고정된 격자점들을 기반으로 훈련되어, 그 판 위에서 물이 어떻게 움직이는지를 예측합니다. 하지만 까다로운 점은, 우리는 단순히 물이 바위 근처에서 어떻게 움직이는지만이 아니라, 떠 있는 입자(나뭇잎)들이 어디로 가는지도 알아야 할 때가 많다는 것입니다. 보통 컴퓨터에게 입자를 추적하는 법을 가르치려면, 각 입자가 정확히 어디로 갔는지를 보여주는 방대한 양의 데이터가 필요합니다. 하지만 그러한 데이터는 구하기 어렵고 비용이 많이 듭니다. 이는 좌절스러운 간극을 만듭니다. 즉, 물의 격자에 대해서는 훌륭한 모델을 가지고 있지만, 특별하고 찾기 힘든 훈련 데이터 없이도 떠 있는 입자들이 어디에 도달할지 예측하는 데는 어려움을 겪는다는 것입니다.

여기서 맹 리(Meng Li)와 그 팀의 새로운 연구가 등장합니다. 그들은 대담한 질문을 던졌습니다: 우리가 '고정된 격자' 데이터만을 사용하여 물의 흐름을 예측하도록 모델을 가르칠 수 있다면, 그리고 그 동일한 모델이 단 한 번도 입자 궤적을 본 적이 없음에도 불구하고 즉각적으로 떠 있는 입자들이 어디로 갈지 알아낼 수 있다면 어떨까?

그들이 찾아낸 답은 "그렇다"였습니다. 그들은 **전이 가능한 잠재 연산자(Transferable Latent Operator, TLO)**라는 새로운 AI 시스템을 구축했습니다. TLO를 숙련된 요리사라고 생각해 보십시오. 이 요리사는 냄비 주변에 놓인 일련의 고정된 숟가락들로 국물 맛을 봄으로써 복잡한 수프의 조리법을 배웁니다. 보통, 특정 국수 가닥이 수프 속에서 어떻게 움직이는지 알고 싶다면, 국수 추적 데이터로 훈련된 별도의 모델이 필요합니다. 하지만 TLO는 특별합니다. 이 모델은 숟가락이 어디에 있는지에 상관없이 작동하는 숨겨진 추상적인 방식으로 흐름의 "비밀 레시피"를 학습합니다.

이 요리사가 레시피를 배우고 나면, 동일한 지식을 바탕으로 두 가지를 할 수 있습니다. 첫째, 원래의 숟가락 위치에서 수프의 맛이 어떠한지 말해줄 수 있습니다(고정 격자 예측). 둘째, 이것이 마법 같은 기술인데, 요리사는 숟가락이 놓여 있지 않은 곳이라 할지라도 어디든 떠다니는 국수 가닥을 상상할 수 있으며, 지금 이 순간 그 국수 가닥이 얼마나 빠르게 어떤 방향으로 움직이고 있는지 정확히 알려줄 수 있습니다. 왜냐하면 모델이 격자가 아닌 '흐름 자체'를 이해하고 있기 때문입니다. 따라서 모델은 국수 가닥을 단계별로 따라가며 위치를 업데이트할 수 있고, 이 모든 과정은 사전에 국수를 추적하는 법을 배우지 않고도 수행됩니다.

연구진은 이 아이디어를 시뮬레이션된 입자 시스템부터 실제 해류 데이터에 이르는 다섯 가지 유체 역학 과제에 테스트했습니다. 그들은 TLO가 기존 모델들보다 격자 위의 물 흐름을 더 잘 예측했을 뿐만 아니라, "제로샷(zero-shot)" 방식으로 떠 있는 입자의 경로를 예측하는 데 있어서도 일관되게 능가함을 발견했습니다. 이는 TLO가 훈련 과정에서 단 하나의 입자 경로도 본 적이 없음에도 불구하고, 입자 추적 작업에서 강력한 성능을 달성했다는 것을 의미합니다. 그러나 연구진은 중요한 미묘한 차이점을 언급했습니다. 모델이 매 단계마다 속도를 예측하기 때문에, 속도나 방향의 작은 오차가 누적되어 예측된 경로가 실제 경로에서 서서히 벗어날 수 있다는 점입니다. 따라서 이 모델은 매우 효과적이긴 하지만, 완벽하고 오류 없는 궤적을 보장하지는 않으며, 이것이 연구진이 속도 정확도와 그로 인한 경로 오차를 모두 신중하게 보고한 이유입니다. 그럼에도 불구하고, 이 결과는 이 접근 방식이 훨씬 수집하기 쉬운 데이터를 사용하여 바다의 오염 물질 확산이나 공기 중의 연기 이동과 같이 유체 속에서 사물이 어떻게 움직이는지를 이해하는 데 강력한 새로운 도구가 될 수 있음을 시사합니다.