복잡한 물리 시스템을 효율적으로 시뮬레이션하기 위해 사용되는 저차원 모델(Reduced-order models, ROM)은 계산 비용을 줄여주지만, 예측 정확도가 떨어지는 고질적인 문제에 직면합니다. 이는 모델이 포착하지 못하는 미해결 스케일(unresolved scales)의 영향, 즉 '클로저 문제(closure problem)' 때문입니다. 최근 arXiv에 발표된 연구는 이 클로저 문제를 해결하기 위해 조건부 정규화 흐름(Conditional Normalizing Flow)을 활용한 새로운 다중 충실도(Multi-fidelity, MF) 학습 프레임워크를 제안했습니다.
이 프레임워크는 저충실도(Low-fidelity, LF) ROM 계수와 고충실도(High-fidelity, HF) 계수 사이의 확률적 매핑을 학습하여 ROM의 예측 정확도를 향상시킵니다. 특히, 학습된 클로저와 관련된 불확실성까지 정량화할 수 있다는 점이 특징입니다. 연구팀은 두 가지 보정 전략을 탐구했는데, HF 계수를 LF 입력에서 직접 예측하는 '직접 학습(direct learning)' 방식과 LF와 HF 계수 간의 차이(discrepancy)를 학습하여 HF 솔루션을 복구하는 '잔차 학습(residual learning)' 방식입니다. 2차원 나비에-스토크스(Navier-Stokes) 방정식으로 제어되는 와류 병합(vortex merging) 문제에 적용한 결과, 두 전략 모두 보정하지 않은 ROM보다 정확도를 개선했으며, 특히 잔차 학습이 더 일관되게 우수한 성능을 보였습니다.
이 연구는 단순히 ROM의 예측 정확도를 높이는 것을 넘어, 예측에 대한 신뢰도를 평가할 수 있는 불확실성 정량화(Uncertainty Quantification) 기능을 제공한다는 점에서 중요합니다. 이는 실제 응용 분야에서 ROM을 더욱 신뢰성 있게 활용할 수 있는 기반을 마련합니다. 복잡한 시스템 모델링이 필요한 공학, 기후 모델링, 재료 과학 등 다양한 분야에서 AI 모델의 예측 결과를 더욱 신뢰하고 의사결정에 활용할 수 있게 될 것입니다. 궁극적으로 AI 기반 시뮬레이션의 실용성과 안정성을 한 단계 끌어올릴 잠재력을 가지고 있습니다.