물리정보 신경망(PINN)으로 다차원 난류 자체중력 흐름 모델링

분자운은 난류, 자체중력, 기체 압력이 상호작용하는 복잡한 다중 규모 역학을 보이지만, 기존 격자 기반 방법은 공간 해상도와 차원이 커질수록 계산 비용이 급증한다. 연구진은 지배 방정식을 학습 목표에 직접 포함시키는 격자 없는(mesh-free) 기법인 물리정보 신경망(PINN)을 천체물리학적으로 타당한 난류 속도장으로 초기화한 등온 분자운에 적용해, 2차원과 3차원에서 아음속·초음속 진화를 다루고 유한체적 코드 Athena++와 밀도·속도장을 비교 검증했다. PINN은 여러 난류 실현값, 마하수, 차원에 걸쳐 다수의 자유낙하 시간 동안 흐름의 전역적 진화를 정확히 재현했으며, 학습 비용은 공간 해상도 의존성이 약해 128^3에서 1024^3으로 늘어날 때 증가폭이 25% 미만이었다. 연구진은 이 결과가 PINN이 기존에 탐색된 것보다 훨씬 현실적인 자체중력 난류 흐름을 모델링할 수 있음을 보여주며, 이러한 계를 연구하는 보완적 프레임워크가 될 수 있다고 밝혔다.