전달 기반 생성 모델과 잠재 기하학을 이용한 빠른 확률적 폐쇄 모델링

논문은 복잡한 다중 스케일 물리 시스템, 특히 난류 흐름과 같은 비선형 동역학에서 미해결 소규모 물리 현상을 모델링하기 위한 확률적 폐쇄 모델의 필요성을 강조한다. 전통적인 RANS·LES와 같은 결정론적 폐쇄는 스케일 간 평형 가정에 의존하지만, 실제 시스템에서는 비평형·비가우시안 현상이 빈번히 나타난다. 이러한 배경에서 최근 과학적 머신러닝(SciML) 분야에서 데이터 기반 확률적 폐쇄 모델링이 활발히 연구되고 있다. 생성 모델링 관점에서 저자는 세 가지 전달 기반 프레임워크를 선택한다. 첫 번째는 점진적인 노이즈 주입과 역 SDE 통합을 통해 샘플을 생성하는 점수 기반 확산 모델이다. 이 방법은 높은 샘플 품질과 다양성을 제공하지만, 수백 단계의 연산이 필요해 실시간 시뮬레이션에 부적합하다. 두 번째는 흐름 매칭(Flow Matching)으로, 데이터와 노이즈 사이를 선형 보간하고, 이를 구현하는 결정론적 ODE 속도장을 학습한다. 이 접근법은 샘플링 경로가 직선에 가깝기 때문에 단일 스텝으로 고품질 샘플을 얻을 수 있다. 세 번째는 확률적 보간(Stochastic Interpolants)으로, FM의 효율성을 유지하면서 시간 의존 노이즈를 삽입해 확산 모델의 확률적 표현력을 보강한다. 연구는 2차원 Kolmogorov 흐름을 테스트베드로 사용한다. 이 시스템은 고차원 상태 공간을 갖지만, 저 차원의 잠재 변수로 압축 가능하다. 저자는 먼저 자동인코더(AE)를 이용해 원본 데이터(속도·압력 필드)를 잠재 공간에 매핑한다. 전통적인 재구성 손실만으로 학습된 AE는 잠재 변수 간 거리와 원본 매니폴드의 위상·기하를 크게 왜곡한다는 문제를 발견한다. 이를 해결하기 위해 두 가지 정규화 전략을 도입한다. 첫 번째는 공동 학습(Joint Training)이다. AE와 생성 모델(FM·SI)을 동시에 최적화함으로써 인코더가 생성 모델이 필요로 하는 구조적 특성을 자동으로 학습하도록 만든다. 이 방식은 암시적 정규화 효과를 제공하지만, 잠재 공간의 기하학적 특성을 직접 제어할 수는 없다. 두 번째는 명시적 정규화이다. 메트릭 보존(Metric-Preserving, MP) 제약은 잠재 변수 간 유클리드 거리를 원본 데이터의 거리와 일치시키는 손실을 추가한다. 기하학 인식(Geometry-Aware, GA) 제약은 대조 학습을 통해 잠재 공간의 토폴로지를 원본 매니폴드와 동일하게 유지한다. 두 정규화 모두 잠재 공간 왜곡을 정량적으로 30 % 이상 감소시켰으며, 조건부 분포 p(U|V)의 샘플링 정확도를 크게 향상시켰다. 정규화된 잠재 공간 위에서 FM과 SI를 학습한 결과, 샘플링 속도는 기존 확산 모델 대비 10²배 가량 빨라졌다. 특히 FM은 단일 ODE 적분 단계만으로도 높은 품질의 폐쇄 항 샘플을 생성했으며, SI는 약간의 추가 노이즈를 삽입해 확산 모델 수준의 다양성을 유지했다. 마지막으로, 정규화된 잠재 생성 모델을 기존 CFD 솔버와 결합해 온라인 확률적 폐쇄 모델링을 구현했다. 시뮬레이션 매 타임스텝마다 조건부 샘플을 실시간으로 생성함으로써 전체 시뮬레이션 시간은 기존 확산 기반 방법 대비 1 ~ 2 오더 감소했다. 통계적으로는 평균 흐름, 에너지 스펙트럼, 극단 사건 발생률 등 전체 시스템의 주요 물리량이 원본 DNS와 거의 일치했다. 또한, 학습에 필요한 데이터 양은 수천 샘플 수준으로 크게 줄어들었다. 결론적으로, 논문은 (1) 낮은 차원의 잠재 공간에서 흐름 매칭이 빠르고 정확한 샘플링을 가능하게 함을, (2) 암시적·명시적 정규화가 잠재 공간의 기하·토폴로지를 보존해 물리적 일관성을 확보함을, (3) 이러한 정규화된 잠재 생성 모델이 기존 물리 기반 시뮬레이션 파이프라인에 원활히 통합되어 실시간 확률적 폐쇄 모델링을 구현할 수 있음을 입증한다. 이는 고차원 비선형 시스템에서 데이터 효율적인 확률적 모델링을 위한 새로운 설계 원칙을 제시한다.