수치 시뮬레이션을 위한 학습 기반 유사도 측정

본 논문은 수치 시뮬레이션 결과의 유사성을 정량적으로 평가하기 위한 새로운 거리 함수인 LSiM(Learning Similarity Metrics for Numerical Simulations)을 제안한다. 기존의 L₁·L₂와 같은 단순 벡터 거리 혹은 SSIM·LPIPS와 같은 이미지 기반 메트릭은 물리적 현상의 복잡한 구조와 스케일 변화를 충분히 포착하지 못한다는 한계가 있다. 이를 극복하기 위해 저자들은 두 가지 핵심 아이디어를 결합한다. 첫째, 메트릭이 만족해야 할 수학적 특성(비음성, 대칭, 삼각 부등식)을 네트워크 설계에 직접 반영한다. 입력 데이터를 특징 공간 L 으로 매핑하는 m₁ 과, 그 공간에서 실제 거리 값을 산출하는 m₂ 로 구성된 두 단계 구조를 채택한다. m₂ 는 정규화된 특징 맵 간의 L₂ 차이를 가중합해 최종 스칼라 값을 만든다. 이 설계는 L 공간에서 엄격한 메트릭을 보장하므로, 전체 함수 m 도 메트릭의 기본 성질을 만족한다. 둘째, 손실 함수에 물리적 상관성을 반영한다. 기본적인 평균제곱오차(MSE) 외에, 동일 시뮬레이션에서 추출된 특징 맵 간의 상관관계를 최대화하는 상관 손실을 추가한다. 이는 네트워크가 단순히 절대값 차이를 최소화하는 것이 아니라, 특징들 사이의 구조적·동역학적 연관성을 학습하도록 유도한다. 두 손실을 적절히 가중합함으로써, LSiM은 실제 물리적 거리와 높은 일치를 보이는 동시에, 특징 공간의 의미 있는 구조를 유지한다. 네트워크는 Siamese 구조를 사용한다. 두 입력(시뮬레이션 결과 이미지)은 동일한 가중치를 공유하는 베이스 CNN에 동시에 입력되며, 저자들은 5계층으로 구성된 AlexNet‑스타일의 네트워크를 처음부터 학습시킨다. 이는 기존의 사전학습된 이미지 네트워크보다 시뮬레이션 데이터에 특화된 특징을 더 잘 추출한다는 실험 결과와 일치한다. 특징 맵 정규화는 채널 차원별 평균·표준편차를 사전 계산해 norm dist 함수로 적용한다. 이는 서로 다른 레이어·채널 간의 스케일 차이를 제거하고, 각 특징 벡터를 평균 0, 분산 1인 정규분포로 변환한다. 이후 chi‑분포의 모드(√(g_c‑1))를 이용해 전체 벡터 길이를 1에 맞추어, 각도와 크기를 동시에 고려할 수 있게 한다. 이러한 정규화는 단순 L₂ 정규화보다 거리 계산의 안정성을 크게 향상시킨다. 데이터 생성 파이프라인은 LSiM 학습의 또 다른 핵심이다. 저자들은 다양한 PDE(예: Navier‑Stokes, advection‑diffusion, Burgers 등)를 사용해 기준 시뮬레이션을 만든 뒤, 파라미터(점성, 초기 조건, 경계 조건 등)를 단계적으로 변형한다. 각 변형 단계는 물리적 파라미터 변화량에 비례하는 “ground‑truth” 거리 라벨을 제공한다. 이렇게 하면 대량의 라벨링된 쌍을 자동으로 생성할 수 있어, 인간 주관 평가 없이도 신뢰할 수 있는 학습 데이터를 확보한다. 또한 난이도(파라미터 변화 크기)를 조절함으로써, 쉬운 샘플만으로 학습했을 때와 다양한 난이도를 포함했을 때의 일반화 차이를 체계적으로 분석할 수 있다. 실험은 크게 세 부분으로 나뉜다. 첫 번째는 합성 PDE 데이터셋에서 LSiM을 기존 메트릭과 비교한 것이다. 저자들은 두 개의 연기 흐름을 기준 시뮬레이션과 비교했을 때, L₂는 순서를 뒤바꾸는 반면 LSiM은 인간 시각적 판단과 일치하는 순서를 정확히 복원한다. 정량적 평가는 Spearman’s ρ와 MAE를 사용했으며, LSiM이 모든 경우에서 가장 높은 ρ와 가장 낮은 MAE를 기록했다. 두 번째는 난이도 조절 실험이다. 훈련에 낮은 난이도 샘플만 사용하면 고난이도 테스트에서 성능이 급격히 저하되지만, 다양한 난이도를 포함한 훈련은 모델을 더 견고하게 만든다. 이는 커리큘럼 러닝과 유사한 효과를 보여준다. 세 번째는 실제 응용 사례이다. 혈류 시뮬레이션, 기상 예보, 항공 유동 데이터에 LSiM을 적용했으며, 인간 전문가가 매긴 유사도와 높은 상관을 보였다. 특히 기존 메트릭이 놓치는 미세한 구조 차이를 포착해, 실무에서의 의사결정 지원에 유용함을 입증했다. 논문의 주요 기여는 다음과 같다. (1) 메트릭의 수학적 정의를 네트워크 설계에 내재화하여, 학습된 거리 함수가 기본적인 메트릭 속성을 자동으로 만족하도록 함. (2) 특징 맵 정규화와 상관 손실을 결합해 물리적 의미를 강화하고, 다양한 스케일·구조를 동시에 비교할 수 있게 함. (3) 제어 가능한 시뮬레이션 데이터 생성 파이프라인을 제시해, 라벨링 비용 없이 대규모 학습 데이터를 확보하고, 난이도 조절을 통한 일반화 연구를 가능하게 함. (4) 광범위한 합성·실제 데이터 실험을 통해 기존 메트릭 대비 우수한 정확도와 강인성을 입증함. 향후 연구 방향으로는 (a) 3D·다중 물리량(벡터·텐서) 데이터에 대한 확장, (b) 시뮬레이션 최적화 루프에 LSiM을 직접 삽입해 파라미터 튜닝을 자동화, (c) 불확실성 정량화를 위한 베이지안 접근법과의 결합 등을 제시한다. 전반적으로 LSiM은 수치 시뮬레이션 결과의 정량적 비교에 새로운 패러다임을 제시하며, 학계·산업 모두에서 활용 가능성이 높은 기여라 할 수 있다.