대리 유동 모델링을 위한 드리프팅 모델 (Drifting Models for Surrogate Flow Modeling)

전산유체역학 (CFD)은 실내 환경 최적화를 위한 고충실도 (high-fidelity) 유동장을 제공하지만, 높은 계산 비용으로 인해 신속한 탐색에 한계가 있습니다. 이 문제를 해결하기 위해 생성형 대리 모델 (generative surrogates)은 결정론적 네트워크 (deterministic networks)보다 더 나은 분포 모델링 (distribution modeling)을 제공하지만, 반복적인 샘플링 (iterative sampling) 과정이 느리다는 단점이 있습니다. 고품질의 단일 패스 생성 (single-pass generation)을 가능하게 하기 위해, 본 연구에서는 새로운 생성형 드리프팅 (generative drifting) 프레임워크를 유체 역학에 적용합니다. 우리는 학습된 VAE 잠재 공간 (latent space)에서 드리프팅을 수행하고, 생성된 샘플을 경계 조건 (boundary conditions)과 정렬하기 위해 레이블 인식 마스킹 (label-aware masking)을 사용하는 조건부 아키텍처 (conditional architecture)를 도입합니다. 우리의 레이블 조건부 모델 (label-conditioned model)은 반복적 확산 (iterative diffusion) 모델과 유사한 정확도 및 유동 일관성 (flow consistency)을 유지하면서도, 실행 속도는 2개 차수 (two orders of magnitude) 더 빠릅니다. 또한, 우리는 보지 못한 기하학적 구조 (unseen geometries)로의 일반화(generalization)를 향한 유망한 경로를 제시하는 공간 조건부 (spatial-conditioning) 변형 모델을 제안합니다. 궁극적으로, 조건부 드리프팅 (conditional drifting)은 확산 기반 접근 방식 (diffusion based approaches)에 대한 매우 효율적인 대안 역할을 하며, 추론 속도 (inference speed)가 중요한 실시간 CFD 대리 모델링의 가능성을 열어줍니다.