Adaptive hybrid coupling with operator inference, the overlapping Schwarz alternating method and reinforcement learning

공학 및 물리학의 세계에서 과학자들은 재료가 어떻게 행동하는지 또는 유체가 어떻게 이동하는지를 시뮬레이션할 때 어려운 선택에 직면하곤 합니다. 그들은 물리적 세계의 모든 미세한 뉘앙스를 포착하는 매우 상세하고 전체적인 규모의 컴퓨터 모델을 실행할 수 있지만, 이러한 계산은 너무 무거워서 완료하는 데 며칠 또는 몇 주가 걸리며, 이로 인해 많은 다양한 시나리오를 테스트하는 것이 불가능해집니다. 대안으로, 그들은 몇 초 만에 실행되는 단순화된 버전의 모델을 사용할 수 있지만, 이 지름길은 종종 중요한 세부 사항을 놓치거나 상황이 복잡해지면 제대로 작동하지 않습니다. 수십 년 동안 연구자들은 이 문제를 해결하기 위해 큰 문제를 작은 조각들로 나누는 방법을 시도해 왔습니다. 즉, 쉬운 부분에는 빠르고 단순화된 모델을 할당하고, 어려운 부분에는 느리고 상세한 모델을 할당하는 방식입니다. 그러나 주요한 한계가 남아 있었습니다. 일단 컴퓨터가 어떤 부분에 어떤 모델을 할당할지 결정하면, 그 결정은 시뮬레이션 전체 동안 고정된다는 점입니다. 만약 충격파나 균열이 '단순한' 영역에서 '상세한' 영역으로 이동한다면, 단순화된 모델은 갑작스러운 복잡성을 감당할 수 없기 때문에 시뮬레이션이 실패할 수 있습니다.

연구팀은 컴퓨터가 시뮬레이션이 진행되는 동안 마음을 바꿀 수 있는 새로운 방법을 개발했습니다. 컴퓨터 프로그램이 스마트한 관리자처럼 행동하도록 가르침으로써, 그들은 실시간으로 시뮬레이션을 관찰하고 어떤 부분이 고성능의 상세한 모델을 필요로 하는지, 그리고 어떤 부분이 빠르고 단순화된 모델로도 충분한지를 즉각적으로 결정하는 시스템을 만들었습니다. 이 접근 방식은 강화 학습이라는 기술을 사용하는데, 이는 마치 플레이어가 비디오 게임을 배우는 것처럼 컴퓨터가 시행착오를 통해 속도와 정확성 사이의 최적의 균형을 찾는 과정입니다. 연구진은 이 시스템을 두 가지 매우 다른 문제, 즉 움직이는 전선(front)이 있는 1차원 유체 흐름과 응력을 받는 강철 빔의 3차원 진동 시뮬레이션에 대해 테스트했습니다. 그들은 컴퓨터가 여행하는 파동이나 충격 전선과 같은 움직이는 특징들을 성공적으로 추적하며, 필요한 곳에 자동으로 고충실도(high-fidelity) 모델을 전환할 수 있음을 발견했습니다. 이를 통해 연구진은 모든 곳에 상세한 모델을 실행하는 막대한 비용을 들이지 않고도 정확도를 유지할 수 있었으며, 시스템은 이전에 본 적 없는 상황에서도 문제없이 작동했습니다.

이 작업의 핵심은 큰 문제를 겹치는 작은 덩어리들로 나누어 해결하는 방법인 '중첩 슈바르츠 교대법(overlapping Schwarz alternating method)'에 있습니다. 커다란 지도가 두 개의 투명한 시트로 덮여 있다고 상상해 보십시오. 시트의 가장자리들은 서로 겹쳐져 있으며, 전체 지도가 일관된 그림을 갖출 때까지 정보가 양방향으로 전달됩니다. 과거에 연구자들은 각 시트에 특정 유형의 수학적 모델을 할당하고 그것을 유지했습니다. 새로운 방법은 이 과정 위에 지능의 층을 추가합니다. 연구진은 딥 Q-네트워크(deep Q-network)라고 알려진 인공지능의 일종을 사용하여 디지털 에이전트를 훈련시켰습니다. 이 에이전트는 수천 가지의 서로 다른 시뮬레이션 시나리오를 보여주었으며, 보상 체계를 바탕으로 결정을 내리는 법을 배웠습니다. 보상은 시뮬레이션이 정확하고 빠를 때 높았지만, 에이전트가 불필요하게 마음을 자주 바꿀 경우(이는 시간을 낭비하게 됨) 벌점을 받았습니다. 목표는 에이전트가 날카로운 파동이나 움직이는 전선과 같은 복잡한 특징이 특정 영역으로 들어오는 것을 인식하고, 적시에 해당 영역을 상세 모델로 전환하도록 가르치는 것이었습니다.

첫 번째 테스트에서 연구진은 움직이는 전선이 파이프를 가로질러 이동하는 1차원 흐름을 시뮬레이션했습니다. 그들은 세 개의 중첩된 구역으로 시뮬레이션을 설정하고, 에이전트에게 각 구역에 상세 모델 또는 단순 모델을 실행할 수 있는 선택권을 주었습니다. 에이전트는 파이프의 조용한 부분에서는 단순한 모델을 활성화된 상태로 유지하면서, 움직이는 전선이 포함된 구역에는 상세 모델을 전환하는 법을 배웠습니다. 전선이 왼쪽에서 오른쪽으로 이동함에 따라, 에이전트는 이를 따라가듯 상세 모델을 매끄럽게 이동시켰습니다. 결과는 놀라웠습니다. 스마트 시스템은 모델의 최적의 고정 배치보다 5배 더 작은 오차율을 달면서도, 상세 모델을 모든 곳에 사용하는 것보다 빠르게 실행되었습니다. 흥ari하게도, 연구진은 에이전트가 중첩 구역 자체의 크기와 위치도 변경할 수 있는 버전도 테스트했습니다. 그들은 이 추가적인 자유도가 실제로 결과를 개선하지 않는다는 것을 발견했습니다. 시스템은 단순히 격자를 재구성하는 것보다 고정된 레이아웃 내에서 상세 모델을 이동시키는 데 집중할 때 더 잘 작동했습니다. 이는 이러한 유형의 문제에서는 모델을 전환하는 능력이 가장 결정적인 요소이며, 그리드를 계속 재형성하는 것은 불필요한 복잡성을 더한다는 것을 시사합니다.

두 번째 테스트는 실제 고체 역학의 영역으로 넘어가, Norma.jl라는 특수 소프트웨어 코드를 사용한 3차원 강철 빔 시뮬레이션을 다루었습니다. 이 시나리오는 빔 내부를 통과하여 끝단에 부딪히고 다시 왔다 갔다 하는 파동을 포함했습니다. 연구진은 빔을 두 개 또는 세 개의 중첩된 구역으로 설정하고, 파동이 움직임에 따라 에이전트가 상세 모델과 단순 모델을 할당하도록 훈련했습니다. 두 구역 테스트에서 에이전트는 파동이 현재 위치한 구역에는 상세 모델을, 조용한 구역에는 단순 모델을 정확하게 할당했습니다. 파동이 빔의 끝에 부딪혀 반사될 때, 에이전트는 돌아오는 파동을 추적하기 위해 즉시 다른 쪽으로 상세 모델을 전환했습니다. 세 구역 설정에서도 동일한 동작이 나타났습니다. 학습된 정책은 매우 효과적이어서, 최적의 고정 모델 배치와 비교했을 때 오차를 10배 이상 줄이는 동시에 총 계산 시간을 몇 초 단축했습니다. 결정적으로, 연구진은 훈련되지 않은 새로운 시작 위치와 파동 폭을 가진 시나리오에 대해 훈련된 에이전트를 테스트했습니다. 에이전트들은 완벽하게 일반화되어, 학습 데이터에 없던 상황에서도 동일한 기술로 처리해 냈으며, 이는 시스템이 특정 사례를 암기한 것이 아니라 일반적인 규칙을 학습했음을 증명했습니다.

이 연구는 또한 훈련 과정에서 특정 규칙, 즉 모델을 너무 자주 전환하는 것에 대한 페널티의 중요성을 강조했습니다. 이 페널티가 없으면 에이전트는 상세 모델과 단순 모델 사이를 빠르게 왔다 갔다 하는 경향을 보였는데, 이는 비효율적이며 시뮬레이션의 불안정성을 초래할 수 있습니다. 모든 전환에 작은 비용을 추가함으로써, 연구진은 에이전트가 물리적 상황이 진정으로 요구할 때만 전략을 바꾸도록 더 신중하게 가르쳤습니다. 이는 여전히 높은 정확도를 유지하면서도 훨씬 더 부드럽고 안정적인 시뮬레이션 결과를 낳았습니다. 연구진은 자신들이 사용한 단순 모델들이 사전 훈련된 고정된 모델이지만, 이를 온라인상에서 전환할 수 있는 능력은 중요한 진전이라고 언급했습니다. 그들은 향후 연구에서 새로운 데이터가 들어옴에 따라 실시간으로 단순 모델을 업데이트하는 방향으로 나아갈 수 있다고 인정했지만, 현재로서는 적절한 시점에 적절한 도구를 선택하는 능력이 복잡한 시뮬레이션을 더 빠르고 신뢰할 수 있게 만드는 강력한 방법임을 입증했습니다.

궁극적으로, 이 연구는 인공지능이 과학적 컴퓨팅에서 속도와 정밀도 사이의 절충안을 관리하는 데 어떻게 사용될 수 있는지를 보여줍니다. 컴퓨터가 무거운 모델을 언제 사용하고 언제 가벼운 모델에 의존할지를 학습하게 함으로써, 엔지니어들은 결과가 나올 때까지 며칠을 기다리지 않고도 복잡하고 변화하는 사건들을 시뮬레이션할 수 있습니다. 이 시스템은 매번 새로운 문제에 맞춰 재학습될 필요가 없습니다. 일단 속도와 정확성의 균로를 맞추는 일반적인 원칙을 학습하면, 이 지식을 접해보지 못한 새로운 상황에도 적용할 수 있습니다. 이는 고충실도 시뮬레이션을 이전에는 너무 비싸거나 느려서 풀기 어려웠던 문제들에 실용적으로 적용할 수 있게 함으로써, 유체의 흐름부터 구조물의 진동에 이르기까지 물리적 시스템에 대한 더 빠른 설계 최적화와 더 나은 이해의 문을 열어줍니다.