Learning Nonlinear Reduced-Order Models of Fluid Flows with InfoVAE

혼란스러운 강물 속에서 소용돌이치는 단 하나의 나뭇잎의 경로를 예측한다고 상상해 보십시오. 물은 단순히 흐르는 것이 아니라, 수많은 작은 소용돌이와 거대한 조류가 뒤섞여 어지럽게 회전하고, 꺾이고, 스스로 충돌하며 춤을 춥니다. 이것이 바로 액체와 기체의 움직임을 다루는 과학인 유체 역학의 세계입니다. 우리는 이 움직임을 완벽하게 설명하는 강력한 수학적 규칙(나비에-스토크스 방정식이라 불리는)을 가지고 있지만, 실제 상황에서 이를 해결하는 것은 밀물이 들어오는 해변에서 모래알 하나하나를 세려는 것과 같습니다. 여기에는 슈퍼컴퓨터가 필요하며 시간도 엄청나게 오래 걸립니다. 이를 더 빠르게 만들기 위해 과학자들은 "차수 축소 모델(reduced-order models)"을 사용합니다. 이것을 강물을 찍은 사진 대신 강물의 스케치라고 생각하십시오. 모든 물방울을 추적하는 대신, 주요한 소용돌이와 같은 핵심적인 패턴 몇 가지만 찾아내어, 모든 힘든 과정을 거치지 않고도 미래를 예측할 수 있게 하는 것입니다.

하지만 이러한 스케치에는 문제가 있습니다. 전통적인 방식은 복잡하게 뒤틀린 토네이도를 오직 직선만을 사용하여 그리려는 것과 같습니다. 단순하고 예측 가능한 흐름에는 괜찮지만, 유체가 지저분해지고 혼란스러워지며 진정으로 난류가 되면, 직선은 그 거친 곡선을 담아낼 수 없습니다. 바로 이 지점에서 인공지능을 사용하는 새로운 접근법이 등장합니다. 이는 단순히 직선을 강요하는 것이 아니라, 혼돈의 "형태"를 학습하려고 시도합니다.

이 논문에서 모로코의 연구진은 특정 유형의 AI인 InfoVAE(정보 극대화 변이형 오토인코더)를 사용하여 이러한 스케치를 그리는 영리한 새로운 방법을 제안합니다. 그들은 두 개의 평평한 판 사이를 흐르는 물의 컴퓨터 시뮬레이션에 이 아이디어를 테스트했습니다. 한 테스트에서는 물이 부드럽고 예측 가능하게 흘렀고(리드미컬한 춤처럼), 다른 테스트에서는 물이 거칠고 혼란스럽게 움직였습니다(모쉬 피트처럼). 연구진은 자신들의 새로운 AI 방식이 복잡한 물의 데이터를 아주 작고 단순한 요약본으로 압축하는 데 탁월하다는 것을 발견했습니다. 이 모델은 유체의 중요한 "움직임"을 노이즈로부터 분리하는 법을 배웠으며, 기존의 선형 방식이 찾아낸 패턴과 매우 유사하면서도 훨씬 더 지저한 부분을 잘 처리하는 저차원 지도를 만들어냈습니다. 그런 다음 그들은 이 AI 지도를 트랜스포머(Transformer)라고 불리는 또 다른 도구와 결합하여 시간이 지남에 따라 흐름이 어떻게 변할지 예측했습니다. 이 방법은 부드럽고 리드미컬한 흐름에는 매우 잘 작동했으며 혼란스러운 흐름에서도 큰 가능성을 보였지만, 연구팀은 긴 시간 동안의 혼란스러운 시뮬레이션을 실행하는 과정에서 컴퓨터 성능의 한계에 부딪혔다고 언급했습니다. 그럼에도 불구하고, 결과는 이 AI 접근법이 모든 물방울을 일일이 시뮬레이션하지 않고도 유체의 거친 움직임을 이해하고 예측할 수 있는 강력한 새로운 도구임을 시사합니다.

흐름의 이야기

당신이 강에 대한 영화를 찍으려는 감독이라고 상상해 보십시오. 당신에게는 모든 물 분자를 기록하는 카메라가 있습니다. 그것은 엄청난 양의 데이터입니다! 만약 모든 분자의 모든 프레임을 저장하려 한다면, 당신의 하드 드라이브는 폭발하고 말 것입니다. 그래서 당신은 똑똑한 조수(AI)를 고용하여 그 영화를 보고 요약본을 쓰게 하기로 합니다.

이 일을 하는 옛날 방식은 엄격한 사서와 같았습니다. 사서는 "좋아, 강은 직선으로 움직인다. 우리는 물이 왼쪽, 오른쪽, 위, 아래로 움직이는 것만 추적할 것이다"라고 말할 것입니다. 강이 잔잔하다면 이 방식은 괜찮습니다. 하지만 강이 회전하고, 소용돌이치고, 서로 충돌하기 시작하면 사서는 혼란에 빠집니다. 직선은 곡선에 맞지 않으며, 요약본은 엉망이 됩니다. 이것이 논문에서 언급된 전통적인 "적정 직교 분해(Proper Orthogonal Decomposition, POD)" 방식에서 일어나는 현상입니다. 이 방식은 단순한 흐름에는 훌륭하지만, 비선형적이고 혼란스러워지면 어려움을 겪습니다.

이 논문의 연구진은 다른 종류의 조수를 써보기로 했습니다: 바로 InfoVAE입니다. 이 AI를 단순히 직선을 찾는 것이 아니라 움직임의 본질을 찾는 창의적인 예술가라고 생각하십시오. 이 예술가는 "이 춤을 구성하는 몇 가지 핵심적인 '동작'은 무엇인가?"라고 묻습니다.

그들은 두 가지 서로 다른 "영화"에 대해 이 예술가를 테스트했습니다:

1. 리드미컬한 무용수 (Re = 40): 여기서 물은 두 판 사이를 지나며 소용돌이치는 와류(vortices)의 규칙적이고 반복적인 패턴을 만듭니다. 마치 메트로놈과 같습니다. 연구진은 InfoVAE가 이 전체 영화를 단 2개의 핵심 "동작"(잠재 차원)으로 압축할 수 있다는 것을 발견했습니다. 이는 흐름 에너지의 **94%**를 포착한 것으로, 기존 사서 방식(98.4% 포착)과 거의 비슷합니다. 하지만 흥미로운 점은, AI가 단순히 기존 방식을 복제한 것이 아니라, 스스로 이러한 패턴을 학습했다는 것이며, AI가 찾아낸 패턴은 실제 현상에서 볼 수 있는 소용돌이치는 후류(wakes)와 정확히 일치했습니다.
2. 모쉬 피트 (Re = 100): 이 시나리오에서 물은 다른 각도로 판을 지나며 훨씬 더 빠르게 움직입니다. 흐름은 혼란스럽고 예측 불가능하며 거칠어집니다. 모든 것이 서로 부딪히는 "모쉬 피트"와 같습니다. 기존의 사서(POD)는 직선이 통하지 않기 때문에 여기서 어려움을 겪을 것입니다. 그러나 InfoVAE는 이 혼돈을 설명하기 위한 6개의 핵심 "동작"을 찾아낼 수 있었습니다. 이 AI는 방대한 양의 데이터를 여전히 실제 모습과 흡사한 아주 작은 요약본으로 성공적으로 압축했습니다.

그들이 수행한 방법

연구진은 두 가지 주요 부분으로 구성된 머신러닝 시스템을 구축했습니다. 먼저, InfoVAE를 압축기로 사용했습니다. 이것은 고화질의 물 흐름 영상을 가져와서 아주 작고 저차원적인 "잠재 공간(latent space)"으로 압축합니다. 이 잠재 공간을 비밀 코드라고 생각하십시오. 모든 물방울에 대한 수백만 개의 숫자를 저장하는 대신, AI는 주요 소용돌이와 파동을 나타내는 단 몇 개의 숫자만을 저장합니다.

논문에 따르면, 기존의 AI 모델들(표준 변이형 오토인코더라고 불리는)은 종종 잠재 공간을 제대로 활용하지 못하는 문제가 있습니다. 그들은 비밀 코드를 무시하고 기억에 의존해 그림을 추측하거나, 코드가 실제로 무엇을 의미하는지 혼란스러워할 수 있습니다. InfoVAE는 특별한 규칙(수학적 목적 함수)을 사용하여 AI가 비밀 코드를 유용하고 정보가 풍부하게 유지하도록 강제함으로써 이 문제를 해결합니다. 이는 코드가 단순히 무작위 노이즈가 아니라, 실제로 물의 흐름 이야기를 전달하도록 만듭니다.

AI가 이 비밀 코드를 확보하자, 그들은 **이지-어텐션 트랜스포머(Easy-Attention Transformer)**라는 또 다른 도구를 사용하여 미래를 예측했습니다. 당신이 강의 춤을 나타내는 일련의 비밀 코드들을 가지고 있다고 상상해 보십시오. 트랜스포머는 마지막 몇 개의 코드를 보고 다음 코드가 무엇이 될지 추측합니다. 이는 마치 댄스 루틴의 다음 단계를 예측하는 것과 같습니다. 연구진은 이 모델을 **90%**의 데이터로 훈련시키고 나머지 **10%**로 테스트했습니다.

그들이 발견한 것

결과는 꽤 유망했습니다. 리드미컬한 흐름(Re = 40)의 경우, AI의 비밀 코드가 매우 뛰어나서 이를 다시 물의 그림으로 되돌렸을 때 원래의 모습과 거의 동일했습니다. AI가 찾아낸 "소용돌이"는 실제 물리 법칙과 완벽하게 일치했습니다. 논문은 심지어 비밀 코드의 차원을 늘리더라도(더 많은 차원을 추가하더라도), AI가 자연스럽게 2개의 차원만이 실제로 중요하다는 것을 결정하고 나머지는 무시했다는 점을 언급합니다. 이는 AI가 자신이 얼마나 많은 정보가 필요한지 정확히 알 만큼 똑똑했다는 것을 보여줍니다.

혼란스러운 흐름(Re = 100)에 대해서도 결과는 고무적이었습니다. AI는 이 지저분한 흐름의 압축된 표현을 학습할 수 있었습니다. 훈련 그래프를 보면 오차(AI가 틀린 정도)가 꾸준히 감소했으며, "정규화"(코드를 체계적으로 유지하는 규칙)가 안정적으로 유지되었습니다. 이는 AI가 단순히 데이터를 암기한 것이 아니라, 혼란스러운 춤의 기저에 깔린 규칙을 실제로 학습했음을 시사합니다.

하지만 논문은 한계에 대해서도 솔직하게 밝히고 있습니다. 연구진은 더 많은 테스트를 수행하고 혼란스러운 흐름에 대해 더 상세한 수치를 계산하고 싶었으나, 그들의 컴퓨터(Marwan HPC 클러스터)가 긴 시뮬레이션을 완료하기 전에 계속 충돌하거나 시간이 부족했습니다. 이 때문에 혼란스러운 경우에 대해 원하는 모든 통계치를 보고할 수 없었습니다. 또한, 그들은 오직 두 가지 특정한 속도(레이놀즈 수 40 및 100)와 두 가지 차원(평평한 2D 물 흐름)만을 테스트했다는 점을 명시했습니다. 그들은 3차원 흐름(실제 3D 공간의 강물처럼)이나 훨씬 더 높은 속도에 대해서는 테스트하지 않았습니다.

시사점

그래서 이 모든 것이 무엇을 의미할까요? 이 논문은 InfoVAE를 사용하는 것이 복잡한 유체 흐름을 단순화하는 강력한 방법임을 시사합니다. 이는 "직선" 방식보다 나은데, 유체 운동의 지저하고 뒤틀리고 혼란스러운 부분을 처리할 수 있기 때문입니다. 이 모델은 중요한 물리학적 특성을 온전히 유지하면서도 흐름의 작고 효율적인 요약본을 만들어냅니다.

비록 이것이 아직 모든 유체 문제를 해결하는 마법 지팡이는 아니지만(특히 고속의 3차원 혼돈의 경우), 매우 강력한 진전입니다. 연구진은 이 스마트한 AI 압축기와 예측기를 결합함으로써, 유체 행동에 대한 정확하고 빠른 모델을 얻을 수 있음을 보여주었습니다. 이는 마치 혼란스러운 모쉬 피트를 몇 가지 핵심적인 댄스 동작으로 요약하여, 군중 속의 모든 사람을 일일이 지켜보지 않고도 다음 동작을 예측할 수 있게 해주는 감독을 마침내 얻은 것과 같습니다. 그들은 이 아이디어를 더욱 복잡하고 3차원적이며 고속인 유체 문제에 적용하는 것이 미래의 과제라고 제안합니다.