다중물리 확산 모델 pADAM: 하나의 네트워크로 전·역문제와 불확실성까지

본 논문은 인공지능 기반 과학 시뮬레이션이 직면한 두 가지 근본적 한계—(1) 물리 법칙마다 별도 모델을 학습해야 하는 비효율성, (2) 불확실성 정량화와 희소 관측 상황에서의 신뢰성 부족—를 동시에 해결하고자 한다. 이를 위해 저자들은 pADAM(plug‑and‑play all‑in‑one diffusion architecture for multi‑physics learning)이라는 새로운 확산 모델을 설계하였다. **모델 설계** pADAM은 U‑Net 기반의 확산 네트워크에 클래스‑조건부 라벨 c를 입력으로 넣어, 사전 p(u₀, u_T, ϕ | c) 를 학습한다. 여기서 u₀와 u_T는 각각 초기·최종 상태 필드, ϕ는 물리 파라미터(예: 점도, 속도)이다. 학습 단계에서는 각 PDE 클래스에 대해 다양한 초기조건과 파라미터 조합을 시뮬레이션하여 데이터셋을 구성하고, 노이즈 스케줄에 따라 역확산 과정을 통해 사전 분포를 추정한다. **다중 작업 수행** 테스트 시에는 관측 연산자 M(예: 부분적인 공간 샘플링)과 관측값 y를 조건으로 넣어, 베이지안 샘플링을 수행한다. 구체적으로 - **전방 예측**: u_T ∼ p(u_T | u₀, ϕ, c) 를 샘플링해 미래 상태를 예측한다. - **역문제(초기조건·파라미터 복원)**: u₀ ∼ p(u₀ | u_T, ϕ, c) 와 ϕ ∼ p(ϕ | u₀, u_T, c) 를 동시에 샘플링해 관측이 희소한 상황에서도 초기조건과 물리 파라미터를 복원한다. - **모델 선택**: 두 개의 시간 스냅샷만으로 각 클래스에 대한 사후 점수를 계산하고, 베이지안 모델 증거를 비교해 가장 가능성 높은 PDE 클래스를 선택한다. **실험 및 결과** 1. **통합 학습 효율성**: 1,000개의 샘플(각 PDE당 333개)만으로도 전용 확산 모델(각 500개 샘플)과 동등하거나 더 낮은 L2 오차를 달성했다. 특히 전방·역 예측에서 전용 모델 대비 5~30% 정도 오차 감소를 보였다. 2. **희소 관측 강인성**: 30% 공간 관측만으로도 전방 예측 오차가 0.88%~2.26% 수준으로 유지되었으며, 10% 관측에서도 초기조건 복원 오차가 4% 이하로 억제되었다. 3. **내부 표현 공유**: 어텐션 맵 분석을 통해 순확산·순대류가 서로 다른 특징을 학습하면서도 대류‑확산에서는 두 특징이 중간값으로 조합되는 구조적 연관성을 확인했다. 이는 모델이 물리 연산자를 조합 가능한 “모듈형 어휘”로 압축한다는 의미다. 4. **제로샷 외삽**: 훈련에 포함되지 않은 ADR(대류‑확산‑반응) 방정식에 대해, 반응 계수 k가 커질수록 Δ_op이 20~50%까지 증가했음에도 관측이 충분히 제공될 경우 초기조건 복원은 안정적이었다. 이는 사전이 미스스펙된 경우에도 관측‑가이드 샘플링이 올바른 물리 궤적으로 유도할 수 있음을 보여준다. 5. **불확실성 정량화와 컨포멀 보정**: 기본 샘플링 기반 예측 구간은 30% 관측에서 전방 58%, 역 36%의 경험적 커버리지를 보였지만, 컨포멀 캘리브레이션을 적용하면 전방 98%, 역 99% 수준으로 크게 향상되었다. 이는 데이터가 부족한 상황에서도 신뢰할 수 있는 불확실성 구간을 제공한다. 6. **연속 물리 매니폴드**: 물리 파라미터 ϕ를 연속 변수로 처리함으로써, 동일 네트워크가 파라미터 변화에 따라 부드럽게 상태와 파라미터를 추정한다. 전체 L2 오차는 2.81% 이하이며, 파라미터 추정은 10% 관측에서도 4% 수준의 정확도를 유지한다. **의의와 향후 과제** pADAM은 “범용 PDE 서브스트레이트”라는 개념을 실현한다. 하나의 모델이 다양한 물리 법칙을 포괄하고, 관측이 희소하거나 파라미터가 변동하는 상황에서도 전·역 문제를 해결한다는 점에서 과학·공학 시뮬레이션의 비용을 크게 절감할 수 있다. 다만 현재는 2‑D 스칼라 필드와 제한된 PDE 군에 초점을 맞추었으며, 고차원 복합 시스템(예: 다상 흐름, 전자기‑유체 결합)이나 비정형 메쉬에 대한 확장, 그리고 실시간 제어와 같은 응용 분야에 대한 추가 연구가 필요하다. **결론** pADAM은 클래스‑조건부 확산 사전, 베이지안 조건부 샘플링, 컨포멀 불확실성 보정이라는 세 축을 결합해, 다중 물리, 다중 작업, 불확실성까지 포괄하는 통합 프레임워크를 제시한다. 이는 향후 과학 AI가 특정 방정식에 얽매이지 않고, 물리 법칙 전반에 걸쳐 일반화·신뢰성을 제공하는 방향으로 나아갈 수 있음을 시사한다.