메시(mesh) 기반 물리 시뮬레이션은 복잡한 물리 현상을 예측하는 데 필수적이지만, 기존 인공지능(AI) 모델들은 위상(topology)과 기하학(geometry)적 특성을 혼합하여 처리하는 경향이 있었습니다. 이로 인해 보존 법칙과 같은 위상적 특성이 정확하게 반영되지 못하고, 재료 반응이나 이방성(anisotropic) 결합 같은 기하학적 요소 학습에도 한계가 있었습니다. 최근 동즈 정(Dongzhe Zheng) 연구팀은 이러한 문제를 해결하기 위해 리만 호지 메시 패싱(Riemannian Hodge Message Passing, RHMP)이라는 새로운 AI 아키텍처를 제안했습니다.
RHMP는 위상과 기하학의 역할을 명확히 분리하는 것을 핵심 원칙으로 삼습니다. 이 모델은 셀룰러 코바운더리(cellular coboundaries, d_k)를 고정하여 위상적 속성을 유지하고, 기하학적 전파를 위해 대칭 양의 정부호 코체인 메트릭(symmetric positive-definite cochain metrics, H_k)을 학습합니다. 특히, RHMP는 물리적 전파가 숨겨진 코체인 특징(cochain feature) 기저의 직교 변화에 불변해야 한다는 '코체인-프레임 등변성(cochain-frame equivariance)' 원리를 도입했습니다. 이를 통해 RHMP는 정확한 코체인 복합체 항등식(cochain-complex identities)을 유지하고, 비음의 호지 에너지(Hodge energies) 및 양의 준정부호 연산자(positive-semidefinite operators)를 보장하며, 아벨 곡률 불변성(Abelian curvature invariance)까지 달성합니다.
이러한 구조적 장점 덕분에 RHMP는 유체, 전자기학, 게이지 장(gauge fields), 가변 메시 전산 유체 역학(variable-mesh CFD) 등 7가지 물리 벤치마크에서 전반적으로 최고의 성능을 기록했습니다. 특히 위상, 학습된 기하학, 그리고 장(field) 구조가 복합적으로 상호작용하는 시뮬레이션에서 가장 큰 성능 향상을 보였습니다. 이는 RHMP가 복잡한 물리 시스템의 미묘한 상호작용을 더 정확하게 모델링할 수 있음을 의미하며, 공학 설계, 기후 모델링, 재료 과학 등 다양한 분야에서 더욱 정밀하고 신뢰할 수 있는 시뮬레이션을 가능하게 할 것입니다.