당신이 허리케인이 마천루를 휘감는 방식이나, 로켓 엔진이 음속을 돌파할 때 내뿜는 굉음을 예측하려고 한다고 상상해 보십시오. 수십 년 동안 과학자들은 거대한 슈퍼컴퓨터를 사용하여 공기를 작고 보이지 않는 레고 블록으로 나누고, 각 블록이 이웃한 블록을 어떻게 밀고 당기는지를 계산함으로써 이러한 사건들을 시뮬레이션해 왔습니다. 이는 마치 폭풍 속의 단 하나의 빗방울의 경로를 예측하기 위해 하늘에 있는 다른 모든 빗방울의 움직임을 계산하는 것과 같습니다. 이 방법은 정확하지만, 너무 느리고 전력을 많이 소모하여 단 몇 초의 비행을 시뮬레이션하는 데에도 몇 시간 또는 며칠이 걸릴 수 있습니다. 이는 더 빠른 비행기나 더 안전한 로켓을 설계하려는 엔지니어들에게 큰 병목 현상이 되고 있습니다. 이를 가속화하기 위해 연구자들은 과거의 수천 가지 시뮬레이션을 학습하여 정답을 추측하는 법을 배우는 스마트한 컴퓨터 프로그램인 '뉴럴 에뮬레이터(neural emulators)'를 훈련시키기 시작했습니다. 이는 마치 학생이 실제 시험에서 만점을 받기 위해 연습 문제의 답을 암기하는 것과 같습니다. 그러나 이러한 스마트한 추측가들은 충격파(공기 압력의 갑작스럽고 격렬한 변화)와 같은 가장 극단적인 흐름에 직면하거나, 본 적 없는 시나리오를 예측해야 할 때 어려움을 겪는 경우가 많으며, 종종 물리 법칙을 위반하면서도 겉보기에는 매끄러워 보이는 결과를 만들어내곤 합니다.

이 논문은 극초음속 유동(소리보다 5배 이상 빠른 공기의 흐름)을 위한 '물리 에뮬레이터(physics emulator)'를 구축하기 위해 설계된, 완전히 GPU 기반의 워크플로우를 소개합니다. 저자들은 JAX-Fluids라는 특수한 솔버를 사용하여 이 에뮬레이터를 훈련시키기 위한 3단계 파이프라인을 만들었습니다. 첫째, 그들은 솔버를 사용하여 고속 공기 흐름 시뮬레이션의 방대한 데이터셋을 빠르게 생성했습니다. 둘째, 다양한 유형의 신경망(비전 트랜스포머 및 플로 매칭 모델 포함)을 훈련시켜 이 데이터의 패턴을 학습시켰습니다. 마지막으로, 가장 중요한 단계로, '물리 인지 정교화(physics-aware refinement)' 단계를 추가했습니다. 단순히 데이터를 암기하는 대신, 시스템은 자신의 예측을 실제 물리 법칙(공기가 어떻게 움직이는지를 지배하는 방정식)과 대조하여 확인하고, 새로운 참조 데이터 없이도 스스로의 실수를 수정합니다. 연구 결과에 따르면, 모델마다 강점이 다르지만(어떤 모델은 많은 데이터에 강하고, 어떤 모델은 적은 데이터에 강함), 스마트한 신경망과 이 물리 기반의 자기 수정 능력을 결기하면, 본 적 없는 상황에서도 빠를 뿐만 아니라 실제 엔지니어링 설계 루프에서 사용할 수 있을 만큼 신뢰할 수 있는 도구를 만들 수 있음을 보여줍니다.

초음속 스피드스터의 이야기

문제점: 현실의 느린 움직임
극초음속 비행체(마하 5 이상의 속도로 비행하는 기체)를 설계하는 것을 마라톤을 뛰면서 걸작을 그리는 것에 비유해 보십시오. 비행체 주변의 공기는 매우 역동적으로 움직입니다. 압축되고, 가열되며, 보이지 않는 벽처럼 작용하는 충격파를 만들어냅니다. 이를 정확하게 시뮬레이션하기 위해 엔지니어들은 전통적으로 '전산유체역학(CFD)'을 사용합니다. 이것을 비행체 전체를 덮고 있는 거대한 물풍선 그리드라고 상상해 보십시오. 공기가 어떻게 움직이는지 보기 위해, 컴퓨터는 각 풍선이 이웃한 풍선을 어떻게 밀어내는지를 아주 작은 단계별로 계산해야 합니다. 이는 믿을 수 없을 정도로 정확하지만, 동시에 매우 느립니다. 만약 당신이 로켓 노즈 콘(nose cone)의 1,000가지 다른 모양을 테스트하고 싶다면, 컴퓨터가 완료될 때까지 몇 년을 기다려야 할 수도 있습니다.

해결책: 똑똑한 조수
여기 '물리 에뮬레이터'가 등장합니다. 이것은 AI의 일종인 신경망으로, 초고속 조수 역할을 합니다. 모든 풍선의 상호작용을 처음부터 계산하는 대신, 조수는 로켓의 모양과 바람의 속도를 보고, 학습한 수천 가지의 과거 시뮬레이션을 바탕으로 공기 흐름이 어떻게 될지 즉각적으로 "추측"합니다. 이는 수천 가지의 수프 맛을 본 요리사가 실제로 요리를 하지 않고도 재료만 보고 새로운 수프의 맛이 어떨지 즉시 말할 수 있는 것과 같습니다.

하지만 문제가 있습니다. 이러한 AI 조수들은 수프의 일반적인 형태를 추측하는 데는 뛰어나지만, 세부 사항에서 실수하는 경우가 많습니다. 극초음속 비행에서는 그 세부 사항이 전부입니다. 공기는 단순히 부드럽게 흐르는 것이 아니라, 압력과 온도의 갑작스럽고 격렬한 변화인 '충격파(shocks)'를 만들어냅니다. 만약 AI가 충격파의 위치를 잘못 예측하거나, 물리적으로 불가능한 음수(-) 온도를 예측한다면, 그 설계는 쓸모가 없게 됩니다. 더욱이, 만약 당신이 AI에게 한 번도 본 적 없는 속도로 로켓을 설계하라고 요청한다면, AI는 물리 법칙을 위반하면서도 보기에는 그럴싸한 결과를 환각(hallucinate)해낼 수 있습니다.

새로운 워크플로우: 3단계 훈련 캠프
이 논문의 저자들은 더 나은 조수를 훈련시키기 위해 완전히 GPU 기반의 워크플로우를 구축했습니다. 그들은 단순히 모델에 데이터를 던져준 것이 아니라, JAX-Fluids라는 특수 도구를 사용하여 3단계 훈련 캠프를 만들었습니다. JAX-Fluids는 그래픽 카드(GPU)에서 실행될 수 있고, 결정적으로 '역방향으로 생각할 수 있는(differentiable)' 솔버입니다.

1. 1단계: 데이터 공장 (고충실도 생성)
   먼저, 그들은 JAX-Fluids를 사용하여 방대한 양의 극초음속 유동 시뮬레이션 라이브러리를 생성했습니다. 단순히 하나의 모양만 사용한 것이 아니라, 스크램제트(scramjet, 일종의 극초음속 엔진)의 기하학적 구조와 유입되는 공기의 속도를 다양하게 변화시켰습니다. 이를 통해 7,000개 이상의 고유한 시나리오가 담긴 데이터셋을 만들었습니다. 이것은 조수가 7,000권의 서로 다른 비행 매뉴얼을 읽는 것과 같습니다.

2. 2단계: 교실 (사전 훈련)
   다음으로, 그들은 이 라이브러리를 바탕으로 다양한 유형의 신경망을 훈련시켰습니다. 그들은 두 가지 주요 '아키텍처(AI의 뇌를 구성하는 방식)'를 테스트했습니다.

• AB-UPT: 이 모델은 공기 흐름을 개별 점들의 구름처럼 취급합니다. 데이터가 많을 때 매우 유연하고 정확하지만, 속도가 느리고 계산량이 많습니다.
• ViT (Vision Transformer): 이 모델은 공기 흐름을 사람이 사진을 보는 것과 유사하게 이미지 패치 형태의 그리드로 취급합니다. 매우 빠르고 효율적입니다. 흥미롭게도, 데이터가 부족할 때(예시 50개)는 ViT가 공간을 이해하는 데 있어 그리드 구조 덕분에 '도움'을 받아 더 좋은 성능을 보였습니다.
• Flow Matching: 또한 단 하나의 답이 아닌 범위의 가능한 답을 제공하는 확률적 모델을 시도하여, 내장된 '불확실성 측정기'를 구현했습니다. 이는 AI가 언제 추측하고 있는지 알 수 있게 해주어 매우 유용했지만, 평균적인 정확도는 약간 낮았습니다.

결과는 다음과 같은 트레이드오프를 보여주었습니다. 거대한 데이터셋이 있다면 점 기반 모델(AB-UPT)이 가장 정확합니다. 반면 데이터가 제한적이라면 그리드 기반 모델(ViT)이 더 빨리 학습합니다.

3. 3단계: 물리 체크 (타겟 프리 정교화)
   이것이 이 논문의 핵심 비법입니다. AI가 숙제를 마친 후, 저자들은 거기서 멈추지 않았습니다. 그들은 JAX-Fluids 솔버를 사용하여 AI의 답이 실제 물리 법칙에 부합하는지 확인했습니다.

• 보통 AI를 수정하려면 어디가 틀렸는지 알려줄 '정답(ground truth)'이 필요합니다. 하지만 엔지니어링에서는 아직 시뮬레이션 결과가 없는 새로운 설계를 테스트하고 싶은 경우가 많습니다.
• 저자들의 방식은 '타겟 프리(target-free)'입니다. 그들은 AI의 예측값을 가져와서 물리 솔버에 다시 입력한 뒤, "이 예측이 질량과 에너지 보존 법칙을 만족하는가?"라고 묻습니다. 만약 답이 '아니오'라면, 솔버는 '잔차(residual, 물리 법칙이 얼마나 깨졌는지를 나타내는 척도)'를 계산하고, AI가 스스로를 수정할 수 있도록 신호를 보냅니다.
• 이것은 학생이 시험을 치른 후, 수학 교과서의 규칙에 따라 자신의 답을 스스로 검토하는 것과 같습니다. 만약 규칙을 위반했다는 것을 발견하면, 선생님이 채점해주기 전에 스스로 답을 수정하는 것입니다.

연구 결과: 실제로 어떤 일이 일어났는가?
실험을 통해 몇 가지 흥식한 통찰을 얻었습니다.

• 정교화의 놀라운 효과: 물리 기반 정교화를 적용했을 때, '잔차(물리 법칙이 깨진 정도)'가 급격히 감소했습니다. 예를 들어, 질량 보존의 오차가 약 0.31에서 0.10으로 떨어졌습니다. AI는 훨씬 더 물리적으로 일관되게 변했습니다.
• 새로운 데이터가 필요 없음: 가장 좋은 점은 이 정교화 과정에 비용이 많이 드는 새로운 시뮬레이션이 전혀 필요하지 않았다는 것입니다. 오직 메쉬(그리드)와 설계 파라미터만 있으면 됩니다. 이는 엔지니어가 테스트되지 않은 새로운 설계에 대해서도 아주 적은 비용으로 AI를 미세 조정할 수 있음을 의미합니다.
• 정확도 vs 일관성: 흥미롭게도, 정교화 과정은 물리적 일관성을 크게 높였지만, 유동장의 전체적인 '모양'을 극적으로 바꾸지는 않았습니다. 사전 훈련된 모델이 이미 큰 그림은 잘 잡고 있었으며, 정교화는 자연의 법칙을 따르도록 국부적인 세부 사항을 정리해 주는 역할을 했습니다.
• 불확실성의 중요성: 확률적 모델(Flow Matching)은 사용자가 자신이 확신하지 못하는 부분을 알려주는 데 가장 뛰어났습니다. 이 모델은 충격파가 발생하는 정확한 위치에서 높은 불확서성을 보여주었는데, 이는 엔지니어들에게 매우 중요한 안전 기능입니다.

이것이 왜 중요한가
저자들은 이 워크플로우가 극초음속 비행체를 설계하는 방식을 바꿀 수 있다고 제안합니다. 매번 새로운 아이디어가 나올 때마다 며칠씩 시뮬레이션을 기다리는 대신, 이 에뮬레이터를 사용하여 밀리초 단위로 수천 가지의 설계를 탐색할 수 있습니다. 만약 어떤 설계가 유망해 보인다면, 그때 전체 시뮬레이션을 돌려 최종 확인만 하면 됩니다. '타겟 프리' 정교화 덕분에, 아직 시뮬레이션되지 않은 설계에 대해서도 AI를 미세 조정할 수 있으며, 계산 비용을 들이지 않고도 물리 법칙이 성립하는지 확인할 수 있습니다.

요약하자면, 이 논문은 단순히 더 빠른 계산기를 제공하는 것이 아니라, 추측을 할 때조차 물리 법칙을 존중하는, 스스로 수정이 가능한 더 똑똑한 조수를 제공합니다. 이는 AI의 속도와 물리 솔버의 엄밀함을 결합함으로써, 현대 공학의 오랜 걸림돌이었던 복잡한 고속 유동 문제를 마침내 해결할 수 있음을 시사합니다.