본 논문은 표준 L2 손실 함수로 훈련된 신경 작용소가 미세한 난류 구조를 과도하게 부드럽게 만드는 경향이 있다는 점을 지적하며, 생성 모델과 신경 작용소 학습을 결합하여 이러한 한계를 극복하는 방법을 제시합니다. 세 가지 실용적인 난류 흐름 문제(시공간 초고해상도, 예측, 희소 유동 재구성)에서 기존 신경 작용소가 실패하는 경우를 보여주고, 적대적 훈련된 신경 작용소(adv-NO)를 사용하여 이러한 문제를 해결합니다. Schlieren 제트 초고해상도에서는 adv-NO가 에너지 스펙트럼 오차를 15배 줄이면서 신경 작용소 수준의 추론 비용으로 날카로운 기울기를 유지합니다. 3D 균질 등방성 난류에서는 단일 궤적의 160시간 단계만으로 훈련된 adv-NO가 5배의 와류 회전 시간 동안 정확하게 예측하고, 기준 확산 기반 예측기보다 114배 빠른 벽시계 속도 향상을 제공하여 실시간에 가까운 전개를 가능하게 합니다. 마지막으로, 고도로 희소한 입자 추적 속도계 유사 입력으로부터 실린더 후류 흐름을 재구성하는 경우, 조건부 생성 모델이 올바른 위상 정렬과 통계를 갖춘 완전한 3D 속도 및 압력장을 추론합니다. 이러한 발전은 낮은 계산 비용으로 정확한 재구성과 예측을 가능하게 하여 실험 및 계산 유체 역학에서 실시간에 가까운 분석 및 제어를 가능하게 합니다.
