FPINN: A proper orthogonal decomposition-assisted fourier-gradient physics-informed neural network for navier-stokes equations and flow reconstruction

강물이 바위 주변을 어떻게 흐르는지, 혹은 바람이 마천루 주변에서 어떻게 소용돌이치는지 예측하는 것을 상상해 보십시오. 수십 년 동안 과학자들은 물이나 공기 같은 유체의 움직임을 설명하는 복잡한 수학적 규칙인 "나비에-스토크스 방정식(Navier-Stokes equations)"을 풀기 위해 강력한 컴퓨터를 사용해 왔습니다. 이 방정식들을 유체 운동의 궁극적인 규칙책이라고 생각하면 됩니다. 하지만 이 방정식을 푸는 것은 밀려오는 파도 속에서 해변의 모래알 하나하나를 세는 것과 같습니다. 믿을 수 없을 정도로 느리고, 비용이 많이 들며, 엄청난 양의 컴퓨터 연산 능력을 요구합니다.

여기에 FPINN이라 불리는 더 새롭고 화려한 도구인 물리 정보 신경망(Physics-Informed Neural Networks, PINNs)이 등장했습니다. 전통적인 컴퓨터가 모든 숫자를 일일이 확인하는 꼼꼼한 회계사라면, PINNs는 게임의 규칙을 아주 잘 배워서 모든 단계를 일일이 확인하지 않고도 정답을 추측할 수 있는 똑똑한 학생과 같습니다. 하지만 이 똑똑한 학생에게도 어려움은 있습니다. 그들은 때때로 "스펙트럼 편향(spectral bias)"을 겪는데, 이는 거대하고 느린 파도는 잘 포착하지만 작고 빠른 물결이나 급격한 흐름의 변화는 포착하는 데 서투르다는 뜻입니다. 또한 그들은 가끔 질량을 "유출(leak)"하기도 합니다. 즉, 물이 갑자기 나타나거나 사라지는 것처럼 예측하여 물리 법칙을 위반하는 것입니다.

이 논문은 업그레이드된 학생인 FPINN을 소개합니다. 이는 "푸리에-그래디언트 물리 정보 신경망(Fourier-gradient Physics-Informed Neural Network)"으로, 특별한 안경과 기억 보조 도구를 갖추었습니다. 이 안경은 "푸리에 특징(Fourier features)"으로, 학생이 작고 빠른 물결을 선명하게 볼 수 있도록 도와줍니다. 기억 보조 도구는 "적정 직교 분해(Proper Orthogonal Decomposition, POD)"라는 기법으로, 학생이 지루하고 반복적인 흐름 부분은 무시하고 가장 중요한 에너지 패턴에만 집중할 수 있게 해줍니다. 연구진은 이 새로운 방법을 물이 회전하는 실린더를 지나 흐르는 현상이나, 움직이는 뚜껑이 있는 상자 안에서 공기가 소용돌이치는 현상과 같은 고전적인 유체 퍼즐에 테스트했습니다. 그 결과, FPINN이 이러한 흐름, 특히 물이 빠르고 혼란스럽게 움직일 때 훨씬 더 잘 예측하며, 물리 법칙을 엄격히 준수하고 예측의 정확도를 유지한다는 것을 발견했습니다.

문제점: "흐릿한 안경"과 "구멍 난 양동이"

오랫동안 과학자들은 유체 흐름을 시뮬레이션하기 위해 전통적인 방법에 의존해 왔습니다. 이 방법들은 강 위에 아주 작은 상자들로 이루어진 거대한 격자를 만들고 각 상자 안의 물의 속도를 계산하는 것과 같습니다. 정확하긴 하지만, 시간이 매우 오래 걸리고 슈퍼컴퓨터를 필요로 합니다. 최근 몇 년 사이, PINNs라고 불리는 새로운 접근 방식이 등장했습니다. 격자를 사용하는 대신, PINNs는 인공지능의 한 종류인 신경망을 사용하여 흐름을 학습합니다. 이는 로봇에게 모든 물방울을 세도록 강요하는 대신, 물리 법칙을 보여줌으로써 로봇이 강을 이해하도록 가르치는 것과 같습니다.

그러나 표준 PINNs에는 두 가지 큰 결함이 있습니다. 첫째, "스펙트럼 편향"을 겪습니다. 폭풍의 그림을 그린다고 상상해 보십시오. 표준 PINN은 크고 어두운 구름은 완벽하게 그려낼 수 있지만, 작고 빠른 빗방울이나 번개의 날카로운 가장자리는 놓칠 수 있습니다. 즉, 고주파 세부 사항을 포착하는 데 어려움을 겪습니다. 둘째, 질량 보존 법칙을 위반하기도 합니다. 실제 강에서는 물이 그냥 사라지거나 나타나지 않습니다. 물은 한 곳에서 다른 곳으로 흐릅니다. 표준 PINNs는 가끔 "유출"되어, 물이 한 곳에서 사라지고 다른 곳에서 다시 나타나는 것처럼 예측하는데, 이는 물리적으로 불가능한 시뮬레이션입니다.

해결책: 전문가 팀

이 논문의 저자인 첸청 탄(Qiancheng Tan)과 그의 팀은 더 나은 버전의 AI를 만들기로 했습니다. 그들은 FPINN(Fourier-gradient Physics-Informed Neural Network)이라 부르는 프레임워크를 만들었으며, 여기서 멈추지 않고 POD(Proper Orthogonal Decomposition)라는 강력한 조수를 붙여주었습니다.

유체의 흐름을 혼란스러운 댄스 파티라고 생각해 보십시오. 수천 명의 사람들(유체 입자)이 복잡한 패턴으로 움직이고 있습니다.

• POD는 파티를 관찰하다가 "개별 사람들의 모든 회전 동작은 잊으세요. 대신 모두가 하고 있는 세 가지 주요 동작에만 집중합시다"라고 말하는 댄스 강사와 같습니다. POD는 노이즈를 제거하고 가장 중요한 "지배적 에너지 모드(dominant energy modes)", 즉 움직임의 핵심 패턴만을 남깁니다. 이를 통해 AI가 문제를 훨씬 더 쉽게 풀 수 있게 합니다.
• **푸리에 특징 매핑(Fourier Feature Mapping)**은 AI에게 "고해도 안경"을 씌워주는 것과 같습니다. 표준 AI는 종종 저해상도로 세상을 보기 때문에 날카로운 디테일을 놓칩니다. 데이터를 특별한 수학적 필터(푸리에 특징)를 통해 전달함으로써, AI는 이전에는 놓쳤던 작고 빠른 물결과 급격한 기울기를 갑자기 선명하게 볼 수 있게 됩니다.
• **그래디언트 페널티(Gradient Penalties)**는 엄격한 심판 역할을 합니다. 만약 AI가 물이 유출되거나 허공에서 나타나는 것처럼 예측하기 시작하면, 심판은 휘슬을 불어 AI가 즉시 실수를 바로잡도록 강제하며 물리 법칙이 절대 깨지지 않도록 보장합니다.

훈련: 실수를 통해 배우기

이 새로운 AI를 훈련시키는 것은 단순히 데이터를 입력하는 것이 아니라, 어떻게 학습할지를 가르치는 과정이었습니다. 연구진은 SoftAdapt라는 영리한 전략을 사용했습니다. 여러분이 시험 공부를 한다고 상상해 보십시오. 여러분에게 수학, 역사, 과학이라는 세 과목이 있습니다. 만약 수학 성적은 형편없는데 역사 성적은 아주 좋다면, 여러분의 선생님(AI의 훈련 시스템)은 수학에 더 많은 시간을 할애해야 합니다.

FPINN 시스템에서 "손실(loss)"은 AI가 얼마나 틀렸는지를 나타내는 점수입니다. 만약 AI가 압력을 예측하는 데 큰 실수를 한다면, SoftAdapt 시스템은 "수학 점수"가 낮다는 것을 알아차립니다. 그러면 시스템은 자동으로 압력 규칙의 가중치를 높여 AI에게 "이 부분에 더 주의를 기울여!"라고 말합니다. 이러한 동적인 균형 잡기는 AI가 특정 부분에 막히거나 문제를 무시하는 것을 방 prevent합니다.

또한 그들은 **라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling)**에 변형을 준 샘pling 전략을 사용했습니다. 단순히 유체 내의 점들을 무작위로 뽑는 대신, 흐름이 가장 급격하게 변하는 벽면과 경계 근처에 추가적인 점들을 배치했습니다. 이는 마치 범죄 현장 바로 옆에서 가장 중요한 단서가 발견된다는 것을 아는 탐정이 그 구역을 더욱 철저히 조사하는 것과 같습니다.

결과: 잔잔한 연못에서 격렬한 폭풍까지

팀은 새로운 FPINN이 실제로 작동하는지 확인하기 위해 세 가지 유명한 유체 문제에 대해 테스트했습니다.

1. 코바스나이 흐름 (Kovasznay Flow - 평온한 테스트)
먼저, 알려진 정확한 해답(정답지가 있는 수학 문제와 같은)이 있는 흐름을 테스트했습니다. 다양한 속도(레이놀즈 수 20, 40, 100)에서 시뮬레이션을 실행했습니다. 결과는 인상적이었습니다. FPINN 모델은 거의 눈에 보이지 않을 정도의 매우 작은 오차($10^{-7}$ 수준)로 흐름을 예측했습니다. 기존의 표준 PINN과 비교했을 때, 새로운 모델은 특히 흐름이 빨라질수록 압도적으로 우수했습니다. 이는 "고해도 안경"(푸리에 특징)이 세부 사항을 명확하게 보는 데 도움이 되었음을 증명했습니다.

2. 실린더를 지나는 흐름 (Cylinder - 소용돌이 테스트)
다음으로, 회전하는 실린더를 지나 흐르는 물을 시뮬레이션했습니다. 이는 실린더 뒤쪽에 복잡한 와류(vortices)가 발생하는 "후류(wake)"를 만들어냅니다.

• 저속 구간 (Re = 100): FPINN은 시간의 흐름에 따라 참조 데이터와 거의 완벽하게 일치하며 놀라운 정확도를 보였습니다.
• 고속 구간 (Re = 3900): 이 부분이 까다롭습니다. 흐름이 난류가 되고 혼란스러워집니다. 논문은 FPINN이 높은 정확도로 시작했지만, 시간이 지남에 따라 특히 소용돌이가 강한 후류 영역에서 오차가 커지기 시작했다고 언급했습니다. 예를 들어, 압력 오차는 몇 초 후에 $4.848 \times 10^{-2}$에서 $1.314 \times 10^{0}$으로 급증했습니다. 이는 이 모델이 엄청난 개선을 이루었지만, 매우 혼란스럽고 빠른 흐름을 장기간 예측하는 것은 여전히 도전 과제임을 시사합니다. 그럼에도 불구하고 기존의 전통적인 PINN보다는 성능이 뛰어났습니다.

3. 리드 구동 공동 (Lid-Driven Cavity - 상자 테스트)
마지막으로, 상단 덮개가 앞뒤로 움직이며 내부의 유체를 끌고 가는 상자 안의 유체를 살펴보았습니다. 느린 속도(Re = 100)부터 매우 빠른 속도(Re = 5000)까지 테스트했습니다.

• FPINN은 이 모든 속도에서 흐름 패턴을 성공적으로 예측했습니다.
• 흐름이 매우 난류인 최고 속도(Re = 5000)에서도 FPINN은 표준 PINN보다 훨씬 낮은 오차를 유지했습니다. 예를 들어, Re = 5000에서 수직 속도 오차는 기존 PINN이 $1.883 \times 10^{-1}$인 반면, FPINN은 $1.018 \times 10^{-2}$였습니다. 이는 이 모델이 고속의 복잡한 흐름을 이전보다 훨씬 더 잘 처리할 수 있음을 보여줍니다.

결론: 강력한 진전

논문은 POD(문제를 단순화하기 위해)와 FPINN(세부 사항을 보고 물리 법칙을 준수하기 위해)을 결려하는 것이 유체 역학을 위한 강력한 도구를 만든다고 결론짓습니다. 이 방식은 훈련 속도가 더 빠르고, 더 정확하며, 물리적으로 일관됩니다.

하지만 저자들은 한계에 대해서도 솔직하게 밝히고 있습니다. 이 모델은 훌륭하지만 아직 완벽하지는 않습니다. 가장 혼란스러운 고속 시나리오(Re = 3900에서의 실린더 후류 등)에서는 작은 오차가 시간이 지남에 따라 쌓이는 경향이 있습니다. 또한 모델은 POD "댄스 동작"을 만드는 데 사용된 초기 데이터의 품질에 크게 의존합니다. 초기 스냅샷이 좋지 않으면 전체 예측이 영향을 받습니다.

이러한 사소한 제한점에도 불구하고, FPINN 프레임워크는 상당한 도약을 의미합니다. 이는 거대한 격자나 슈퍼컴퓨터 없이도 복잡한 유체 흐름을 시뮬레이션할 수 있는 방법을 제공하며, 항공기 설계 개선부터 해류 이해에 이르기까지 미래의 공학적 응용 분야에 유망한 도구가 될 것입니다. 연구진은 이 접근 방식이 이전에 계산하기 너무 어려웠던 효율적인 고속 유체 시뮬레이션의 열쇠가 될 수 있다고 제안합니다.