자이로키네틱 난류는 초기 증폭 구간을 지나야만 통계적으로 정상상태에 도달하며, 그 전 과정은 계산비용을 크게 키운다. 이 논문은 그 전이를 끝까지 따라가지 않고, 정상상태 분포 자체를 직접 생성하는 우회 경로를 제안한다. 전제는 충분히 긴 시간 평균이 앙상블 평균과 같아진다는 에르고딕 가정이며, 연구는 동료검토 전 arXiv 프리프린트 상태다. 제안된 GyroFlow는 5차원 위상공간의 포화 상태 스냅샷을 잠재공간에서 생성하는 모델이다. 입력은 무차원 운전변수 네 개, 즉 R/LT, R/Ln, q, ŝ이며, 출력은 노이즈에서 시작해 조건부로 생성한 포화 난류장이다. 연구팀은 이를 통해 자율회귀식처럼 단계별 오차가 누적되는 경로를 피하고, 고정된 정상상태 통계를 한 번의 전방 추론으로 얻는다고 설명한다.
구성은 2단계다. 먼저 Swin5D 오토인코더가 5차원 스냅샷을 잠재공간으로 압축하고, 이어 Diffusion Transformer가 rectified flow matching으로 가우시안 사전분포를 데이터 잠재분포로 보낸다. 학습에는 OT coupling과 logit-normal 시간표본을 사용했고, 추론은 15단의 explicit Euler 적분으로 수행했다. 논문은 평균 15단에서 정확도와 속도의 균형점이 나온다고 보고하며, 이 설정으로 샘플당 35 ms 미만을 목표로 삼았다.
성능 평가는 약 250개의 포화 GKW 궤적 데이터셋에서 이뤄졌다. 검증은 ID 3개, ID 테스트 6개, OOD 5개 조건으로 나뉘었다. 정상상태 열플럭스의 RMSE, W(ky)와 Q(ky)의 Pearson 상관, 추론 시간, 그리고 분포 품질 지표 FGyD와 warm-start KS를 함께 보았다. 64개 포화 샘플 생성 기준으로 GyroFlow(decode)의 열플럭스 RMSE는 ID 14.36±9.41, OOD 16.38±7.06이었고, GyroSwin(warm)은 ID 18.35±13.58, OOD 26.43±21.09였다. 추론 시간은 각각 35.6 ms와 985.6 ms였다.
분포 비교에서도 GyroFlow는 대체로 우세했다. warm-start KS 통계 DS는 W(ky)에서 0.349, Q(ky)에서 0.248로 generative baseline들보다 낮았다. FGyD는 GyroSwin 인코더의 세 지점에서 계산됐는데, skip L=2에서 2.4e+03, flux head에서 52.5, ϕ decoder에서 3.2e+05를 기록했다. 이 값들은 저차원 생성이 아니라, 내려받은 잠재특징이 하류 플럭스 정확도와 solver 수렴과 상관된다는 점을 보이기 위한 상대 비교로 사용됐다.
| 대상/지표 | GyroFlow | 비교 기준 | 원문 위치 |
|---|---|---|---|
| 열플럭스 RMSE, ID | 14.36±9.41 | GyroSwin (warm): 18.35±13.58 | Table 1 |
| 열플럭스 RMSE, OOD | 16.38±7.06 | GyroSwin (warm): 26.43±21.09 | Table 1 |
| 추론 시간, 64개 샘플, single NVIDIA H100 | 35.6 ms | GyroSwin (warm): 985.6 ms | Table 1 |
| warm-start KS, W(ky) | 0.349 | Nearest c: 0.363 | Table 2a |
| warm-start KS, Q(ky) | 0.248 | Nearest c: 0.267 | Table 2a |
자료: STORIUM 정리
단일 매개변수 스캔에서도 모델은 R/LT 증가에 따른 ITG 문턱 거동을 재현했고, 학습 데이터에 거의 없던 저 R/LT 구간의 near-zero flux도 포착했다. 또 생성된 장으로 gyaradax를 warm-start하면 포화상태까지의 수렴 시간이 줄어들거나 일부 구간이 생략됐다. 이 논문은 자이로키네틱처럼 폐쇄식이 없고 시간전개가 비싼 문제에서, 정상상태 통계를 직접 샘플링하는 생성모델이 기존 오토리그레시브 대안의 누적오차를 피할 수 있음을 실험적으로 보였다.
저작권자 © STORIUM 무단전재 및 재배포 금지
