HyPER: AI 기반 물리 시스템 예측의 혁신

Bharat Srikishan 등 연구진이 개발한 HyPER 모델은 신경망 서로게이트와 강화 학습, 물리 시뮬레이터를 결합하여 기존 방식의 한계를 극복하고 물리 시스템 예측의 정확도와 효율성을 크게 향상시킨 혁신적인 모델입니다.

AI가 물리 시스템의 미래를 예측하다: HyPER 모델의 등장

과학 및 공학 분야에서 물리 시스템의 진화를 모델링하는 것은 매우 중요합니다. 이러한 시스템의 진화는 편미분 방정식(PDE)에 의해 지배되며, 고정밀도로 시스템을 해결하는 많은 계산 시뮬레이션이 존재합니다. 그러나 이러한 시뮬레이션은 높은 계산 비용이 소요되기 때문에 대규모 분석에는 적합하지 않습니다.

이러한 문제를 해결하기 위해 데이터 중심 방식으로 훈련되고 계산적으로 훨씬 효율적인 신경망 서로게이트(neural network surrogates)가 대안으로 떠오르고 있습니다. 하지만 이러한 서로게이트 모델은 특히 훈련 데이터가 부족할 때 자동 회귀적으로 사용될 경우 높은 전개 오류(rollout error)를 겪는다는 단점이 있습니다.

기존 연구에서는 모델 최적화에 물리적 손실 항을 직접 포함하거나, 신경망에 계산 시뮬레이터를 '미분 가능한 레이어'로 통합하여 서로게이트 전개 오류를 개선하려는 시도가 있었습니다. 하지만, 물리적 손실 함수는 강성 PDE에 대해 느린 수렴 문제를 겪고, 시뮬레이터 레이어는 특히 레거시 시뮬레이터에서 항상 사용 가능한 기울기 정보를 필요로 합니다.

바로 여기서 Bharat Srikishan 등 연구진이 개발한 HyPER(Hybrid PDE Predictor with Reinforcement Learning) 모델이 등장합니다. HyPER는 신경망 서로게이트, 강화 학습 기반 의사결정 모델, 그리고 물리적 시뮬레이터(기울기 유무와 상관없이)를 결합하여 서로게이트 전개 오류를 크게 줄이는 모델 독립적인, 강화 학습 기반, 비용 인식 모델입니다.

HyPER는 기존 방식 대비 47%~78%의 오류율 감소를 달성했을 뿐만 아니라, 변화하는 물리적 조건에 적응하고 노이즈 손상에 강한 지능형 정책을 학습합니다. 이는 다양한 시뮬레이터와의 호환성을 보장하며, 실제 시스템에서의 적용 가능성을 높입니다. GitHub(https://github.com/scailab/HyPER)에서 코드를 확인할 수 있습니다. HyPER는 AI 기반 물리 시스템 모델링의 새로운 지평을 열 것으로 기대됩니다.

결론적으로, HyPER 모델은 기존 방법의 한계를 뛰어넘어 AI를 활용한 물리 시스템 예측의 정확성과 효율성을 획기적으로 개선했습니다. 이는 과학 및 공학 분야에 광범위한 영향을 미칠 것으로 예상됩니다.