벽 전단 응력 (Wall shear stress, WSS)은 벽 근처의 수송 역학 (transport dynamics)을 지배하며 심혈관 흐름에서 핵심적인 혈역학적 지표이지만, 벽 근처의 속도 구배 (velocity gradients)를 정밀하게 계산해야 하기 때문에 정확하게 추론하기가 여전히 어렵습니다. 농도 (concentration)나 온도 (temperature)와 같은 수동 스칼라 장 (passive scalar fields)은 동일한 기저 속도장 (velocity field)에 의해 이송 (advected)되며, WSS와 같은 숨겨진 유동 물리 지표를 밝혀낼 잠재력을 가지고 있습니다. 본 연구에서는 공간적으로 제한된 수동 스칼라 관측치를 사용하여 두 가지 근본적으로 다른 역문제 (inverse frameworks) 프레임워크를 통해 이러한 재구성을 입증합니다. 하나는 이산 수반 (discrete adjoint) 기반의 미분 가능한 물리 (differentiable physics) 프레임워크로, 편미분 방정식 (PDE) 제약 최적화를 통해 지배 방정식을 경성 제약 (hard constraints)으로 강제하는 방식이며, 다른 하나는 지배 방정식을 연성 제약 (soft constraints)으로 취급하는 물리 정보 신경망 (physics-informed neural networks, PINNs)입니다. 벤치마크 문제로는 2D 표준 역단차 (2D canonical backward-facing step, 2D-BFS)와 3D 환자 맞춤형 협착 관상동맥 (3D patient-specific stenotic coronary artery)이 포함됩니다. 세 가지 측정 시나리오 (벽 근처, 원거리 장, 결합형) 하에서 평가된 2D-BFS 사례의 경우, PINN은 벽 근처 데이터가 사용 가능할 때는 높은 정확도를 달성하지만 원거리 장 측정에 국한될 때는 실패하는 반면, 미분 가능한 물리 접근 방식은 모든 시나리오에서 정확한 WSS를 복원합니다. 3D 환자 맞춤형 사례에서는 미분 가능한 물리 프레임워크가 PINN보다 우수한 성능을 보이며 정확한 WSS 재구성을 생성합니다. 이러한 결과는 측정 위치와 역문제 정식화 (inverse formulation)가 스칼라 기반의 벽 근처 유동 추론에서 재구성 충실도 (reconstruction fidelity)를 공동으로 결정한다는 것을 입증합니다. 제안된 프레임워크는 수동 스칼라를 관찰할 수 있는 유동 문제에 더 넓은 적용 가능성을 가지며, 스칼라 수송 데이터로부터 벽 근처 혈역학을 추정하는 길을 열어줍니다.