희소 측정값(sparse measurements)으로부터 유동장(flow fields)을 재구성하는 것은 모델링, 제어 및 설계에 광범위한 영향을 미치는 유체 역학(fluid mechanics)의 근본적인 문제입니다. 본 연구에서는 메시 프리(mesh-free) 방식으로 유동 재구성을 수행하기 위해 언어 모델(language models)의 아키텍처를 활용하는 새로운 연산자 학습(operator learning) 프레임워크를 제안합니다. 우리는 유동장 재구성을 시퀀스 투 시퀀스(sequence-to-sequence) 학습 작업으로 재정의하며, 여기서 희소 측정값은 컨텍스트(context)로, 관찰되지 않은 위치는 쿼리(queries)로 취급됩니다. 우리의 모델은 희소한 입력으로부터 전체 유동장을 재구성하는 법을 학습하며, 공간적 상관관계(spatial correlations)와 장거리 의존성(long-range dependencies)을 효과적으로 포착합니다. 우리는 네 가지 벤치마크 데이터셋을 통해 제안된 접근 방식을 평가합니다: (1) 2차원 와류 거리(vortex street) 시뮬레이션, (2) 미국 본토 전역의 일일 평균 기온 데이터, (3) 소산 입자 역학(dissipative particle dynamics)에 기반한 3차원 혈류 시뮬레이션, (4) 입자 추적 유속계(particle tracking velocimetry)를 통해 얻은 3차원 난류 제트 유동(turbulent jet flow) 측정값. 모든 사례에서 우리의 방법은 매우 불완전한 데이터(관찰된 데이터 10% 미만)에서도 경쟁력 있는 재구성 정확도를 보여주며 효율적인 성능을 달성합니다. 결과는 과학적 데이터 재구성을 위한 견고하고 확장 가능한 도구로서 언어 모델의 잠재력을 강조하며, 과학 및 공학 응용 분야를 위한 파운데이션 모델(foundation models) 개발을 향한 유망한 방향을 제시합니다.