Google DeepMind, AI를 활용해 새로운 유체 역학 특이점 발견

Google DeepMind는 Brown University, New York University, Stanford University의 연구원들과 협력하여 유체 역학에서 불안정 특이점을 발견하는 새로운 방법을 소개했습니다. 이 접근법은 물리 기반 신경망(PINNs)과 고정밀 최적화를 활용해 압력이나 속도와 같은 양이 무한대로 발산하는 수학적 “blow up”을 식별함으로써, 유체 운동을 지배하는 방정식의 근본적인 한계를 수학자들이 파악하도록 돕습니다.

유체 방정식에서 불안정 특이점 발견

DeepMind의 방법은 세 가지 서로 다른 유체 방정식 전반에 걸쳐 새로운 불안정 특이점 군을 체계적으로 최초로 발견할 수 있게 했습니다. 연구자들은 blow up의 속도(파라미터 λ, Δ로 표시)가 불안정성의 차수(해가 blow up에서 벗어날 수 있는 방법의 수)와 상관관계가 있다는 일관된 패턴을 관찰했습니다. 이 패턴은 특히 비압축성 다공성 매체(IPM)와 Boussinesq 방정식에서 뚜렷이 나타났으며, 동일한 경로를 따라 추가적인 불안정 해가 존재할 가능성을 시사합니다.

기술 구현: 고정밀 PINNs

이 발견은 물리 기반 신경망(PINNs)을 일반 목적의 PDE 해석기에서 특화된 발견 도구로 전환함으로써 가능해졌습니다. 기술 프레임워크는 여러 핵심 요소에 기반합니다:

• Physics-Informed Training: 표준 신경망이 대규모 데이터셋에 의존하는 것과 달리, 이 모델들은 방정식으로 기술된 물리 법칙에 맞추어 학습됩니다. 네트워크는 자신의 “잔차”(해가 물리 방정식을 만족하지 못하는 정도)를 최소화합니다.
• Second-Order Optimizers: 팀은 학습에 2차 최적화기를 도입했으며, 이를 통해 모델이 전례 없는 정확도에 도달할 수 있었습니다.
• Near-Machine Precision: 이 프레임워크는 PINNs를 기계 수준에 가까운 정밀도로 끌어올려, 지구 직경을 몇 센티미터 이내로 예측하는 수준의 정확도를 달성합니다. 이러한 정밀도는 엄밀한 컴퓨터 보조 증명에 필요합니다.

유체 역학 및 수학에 대한 함의

Navier-Stokes 방정식에서 특이점을 찾는 것은 6대 밀레니엄 문제 중 하나입니다. 현재 발견은 불안정 특이점에 초점을 맞추고 있지만, 이는 경계가 없는 3차원 Euler 및 Navier-Stokes 방정식에 안정적인 특이점이 존재하지 않는다고 수학자들이 믿기 때문에 중요합니다. 따라서 불안정 특이점은 이러한 방정식에 대한 근본적인 질문에 답하는 데 핵심적인 역할을 할 것으로 기대됩니다.

연구의 제1저자이자 NYU의 박사후 연구원인 Yongji Wang은 다음과 같이 말합니다:

수학적 통찰을 내재하고 극한의 정밀도를 달성함으로써, 우리는 PINNs를 찾기 어려운 특이점을 발견하는 도구로 변환했습니다.

이 연구는 깊은 수학적 통찰과 AI를 결합하여 물리학 및 공학의 오랜 난제에 대한 컴퓨터 보조 증명을 촉진하는 새로운 수학 연구 패러다임을 보여줍니다.