데이터 효율 혁신! 딥러닝 기반 유동장 예측의 새 지평을 열다

양선웅, 이영규, 강남우 연구팀이 개발한 새로운 DeepONet 프레임워크는 Merge Network, 시간 위치 인코딩, 시간 도함수 유도 샘플링 등 혁신적인 기법을 통해 고충실도 데이터가 부족한 상황에서도 정확하고 효율적인 유동장 예측을 가능하게 합니다. 기존 방식 대비 예측 오류 감소, 훈련 시간 단축, 정확도 향상 등 괄목할 만한 성과를 달성했습니다.

양선웅, 이영규, 강남우 연구팀이 발표한 논문 "Physics-Guided Multi-Fidelity DeepONet for Data-Efficient Flow Field Prediction"은 인공지능 분야, 특히 유동장 예측에 혁신적인 발전을 가져올 잠재력을 지니고 있습니다. 이 연구는 고충실도 데이터가 부족한 현실적인 상황에서도 정확하고 효율적인 유동장 예측을 가능하게 하는 새로운 딥러닝 기반 프레임워크를 제시합니다.

핵심 혁신: Merge Network와 시간 위치 인코딩

연구팀은 기존 DeepONet 아키텍처를 개선하여 Merge Network를 도입했습니다. 이를 통해 연산자 공간과 좌표 공간 사이의 복잡한 특징 상호작용을 더욱 효과적으로 처리하여, 기존 방식 대비 예측 오류를 50.4% 감소시키는 놀라운 성과를 달성했습니다. 뿐만 아니라, 시간 위치 인코딩과 점 기반 샘플링 전략을 통해 예측 정확도를 7.57% 향상시키는 동시에, 효율적인 샘플링과 자동 혼합 정밀도 학습을 통해 훈련 시간을 96% 단축했습니다. 이는 딥러닝 모델 학습에 드는 시간과 비용을 획기적으로 절감하는 것을 의미합니다.

전이 학습 기반 다중 충실도 프레임워크: 효율성 극대화

본 연구의 또 다른 핵심은 전이 학습 기반 다중 충실도 프레임워크입니다. 이 프레임워크는 사전 훈련된 저충실도 모델의 지식을 활용하여 고충실도 예측을 안내합니다. 저충실도 모델의 가중치를 고정하고 Merge Network만 학습시키는 전략을 통해, 저충실도 정보를 보존하면서 고충실도 특징에 효율적으로 적응합니다. 이러한 미세 조정 전략은 기존의 선형 조사나 전체 조정 방법은 물론, 기존의 다중 충실도 프레임워크보다 최대 76%의 성능 향상을 보였습니다. 고충실도 단일 모델 학습 대비 최대 43.7%의 예측 정확도 향상 또한 기록했습니다.

시간 도함수 유도 샘플링: 데이터 효율의 정점

가장 주목할 만한 성과는 시간 도함수 유도 샘플링 기법입니다. 이 기법을 통해 고충실도 데이터의 60%만 사용하더라도 전체 데이터셋으로 학습한 모델과 동등한 예측 정확도를 유지할 수 있음을 보여주었습니다. 이는 데이터 수집 및 처리 비용을 크게 줄일 수 있음을 의미하며, 데이터 확보가 어려운 분야에서 특히 중요한 의미를 가집니다.

결론: 새로운 가능성의 시작

이 연구는 데이터 효율적인 유동장 예측을 위한 딥러닝 기반 프레임워크의 새로운 가능성을 제시했습니다. 향후 다양한 분야, 특히 고충실도 데이터 획득이 어려운 분야에서 폭넓은 응용이 기대됩니다. 이 연구의 성과는 단순히 기술적 진보를 넘어, 데이터 제약을 극복하고 인공지능 기술의 실용화를 앞당기는 데 크게 기여할 것으로 예상됩니다.