Stable Prediction of Fluid–Rigid Body Interaction Simulation Using Physics-Guided Graph Neural Networks

그래프 신경망 기반 입자 유체 시뮬레이터는 단일 스텝 정확도가 높아도 자기회귀 롤아웃에서 오차가 누적되어 발산하는 문제가 있다. 본 논문에서는 물리 유도 그래프 신경망의 롤아웃 안정화를 위해 정규화 속도 변화량 예측, 잡음 주입, pushforward 다중 스텝 손실로 구성된 학습 기법과 수조 벽·강체를 동일한 유형 가중 경계 입자로 표현하는 통합 경계 처리를 제안한다. 또한 오차·보존·경계조건 위반율을 함께 측정하는 다지표 평가 프로토콜을 도입한다. SPH로 생성한 6종 유체-강체 시나리오 30개의 77-스텝 롤아웃에서 기존 대비 속도 오차 57%, 위치 오차 67%, 에너지 편차 74%를 줄였으며 수조 벽 유출률을 8~12%에서 0%로 제거하였다. 구성요소 제거 실험을 통해 성능 개선의 대부분이 학습 기법과 경계 표현에서 기인함을 확인하였고, 속도 오차 단일 지표는 과감쇠 모델을 우수하다고 오판할 수 있어 보존 지표 병행이 필요함을 실증하였다.