최근 발표된 연구 논문에서 유체 인터페이스(경계면)의 움직임을 예측하는 새로운 방식의 물리 기반 뉴럴 연산자(Physics-Informed Neural Operator, PINO)가 소개되었습니다. 이 연산자는 기존 방식과 달리 참조 해답(reference solution) 데이터 없이 오직 물리 법칙만을 이용해 학습된다는 점에서 주목받고 있습니다. 이는 복잡한 유체 역학 시뮬레이션에서 방대한 학습 데이터를 생성해야 하는 부담을 크게 줄일 수 있는 잠재력을 보여줍니다.
무함마드 악바르 칸(Muhammad Akbar Khan)이 개발한 이 '데이터 프리(data-free)' 뉴럴 연산자는 레벨셋(level-set) 인터페이스 이동 문제를 다루며, 초기 인터페이스 상태로부터 시간-공간에 걸친 전체 궤적을 예측합니다. 학습 과정에서는 전송 잔차(transport residual)와 기하학적 제약 조건(geometric constraint)만을 활용하며, 어떠한 참조 해답 데이터도 목적 함수에 포함되지 않습니다. 특히, 시공간 푸리에 백본(spacetime Fourier backbone)을 통해 전체 궤적을 한 번에 출력하고, 초기 조건은 페널티 방식이 아닌 구조적으로 부과되어 학습 안정성을 높였습니다. 연구팀은 지도 학습(supervised learning) 및 하이브리드(hybrid) 방식의 연산자와 동일한 아키텍처, 예산, 테스트 세트를 사용해 성능을 비교했습니다. 역방향 단일 와류(reversed single vortex) 시뮬레이션에서 데이터 프리 연산자는 지도 학습 방식 대비 4.4배 높은 L2 오류율을 보였지만, 고체 회전(solid-body rotation) 시뮬레이션에서는 1.5배 높은 오류율을 기록했습니다. 이러한 성능 차이는 에이코날 제약(eikonal constraint)의 유효성 여부에 기인하며, 제약 조건이 유효한 영역에서는 데이터 프리 연산자가 지도 학습 방식보다 면적 보존 능력이 2.7배 더 우수했습니다.
이 연구는 물리 시뮬레이션 분야에서 인공지능(AI) 모델 학습의 패러다임을 바꿀 수 있는 중요한 의미를 가집니다. 기존에는 복잡한 물리 현상을 예측하는 AI 모델을 학습시키기 위해 고성능 시뮬레이션 소프트웨어로 생성된 방대한 양의 정답 데이터가 필수적이었습니다. 하지만 이 데이터 프리 방식은 데이터 생성에 드는 막대한 시간과 비용을 절감하고, 데이터가 부족하거나 얻기 어려운 새로운 물리 문제에도 AI를 적용할 수 있는 길을 열어줍니다. 특히, 면적 보존과 같은 특정 물리적 특성을 더 잘 유지하는 능력은 실제 공학 문제 해결에 있어 모델의 신뢰성을 높이는 데 기여할 수 있습니다. 이는 유체 역학, 재료 과학, 기후 모델링 등 다양한 과학 및 공학 분야에서 AI 활용을 가속화할 잠재력을 가지고 있습니다.