Scale-Aware Learning of Chaotic Dynamics on Unstructured Meshes via Binned Spectral Losses

Surrogate modeling for high-dimensional nonlinear dynamical systems that exhibit chaos requires mechanisms that preserve not only pointwise accuracy but also the scale-dependent structure of physical fields. Bandwise spectral power losses, such as the binned spectral loss function, provide such supervision on structured grids, where Fourier modes define a standard frequency decomposition. On irregular meshes, however, no canonical Fourier basis exists, and spectral representations must be constructed from graph operators induced by mesh connectivity and geometry. In this study, we extend the binned spectral power loss for application to unstructured-mesh surrogate modeling of nonlinear dynamical systems. This is obtained by replacing Fourier bands with graph-Laplacian frequency bands, and we provide scalable Chebyshev and multilevel approximations for improving long-horizon rollout fidelity. In its full-spectrum form, our approach uses graph Laplacian eigenspaces to provide a graph analogue of Fourier band-power matching, but incurs the high cost of spectral decomposition. As a scalable approximation, we replace exact band projectors with sparse Chebyshev polynomial graph filters, avoiding explicit eigendecomposition. When utilizing multilevel graph architectures, we introduce Graph Laplacian Energy Alignment for Meshes (GLEAM), which applies retained-subspace scale-aware supervision across graph hierarchies so that coarse and fine representations are regularized during autoregressive rollout. Our results show that the proposed spectral losses improve long-horizon rollout fidelity and preserve statistical invariants for the forecasting of turbulent flows on unstructured meshes, compared to deterministic baselines.

한 줄 요약

비구조화 메시에서 혼돈 역학을 학습하기 위해 그래프 스펙트럼 손실을 확장하여 장기 예측 정확도를 향상시킨다.

핵심 기여도

**Graph Binned Spectral Power (Graph BSP)** 손실을 제안하여 비구조화 메시에서 주파수 대역별 에너지 일치를 강제함.
**Chebyshev BSP**를 통해 고유분해 없이 스펙트럼 필터링을 수행하여 계산 효율성을 향상시킴.
**GLEAM (Graph Laplacian Energy Alignment for Meshes)**을 제안하여 다단계 그래프 구조에서 에너지 정렬을 수행함.
EAGLE, backward-facing step, pOnWing 데이터셋에서 장기 예측 정확도와 에너지 보존을 개선함.

핵심 아이디어

기존의 구조화 메시에서 사용되는 **Fourier 기반 스펙트럼 손실**은 비구조화 메시에서는 적용이 어려움. 본 연구는 **그래프 라플라시안**을 사용하여 비구조화 메시에서도 주파수 대역을 정의하고, 이에 기반한 **Graph BSP 손실**을 설계함. 이는 예측된 필드와 타겟 필드의 에너지가 특정 그래프 주파수 대역에서 일치하도록 강제하는 방식이다.

**Chebyshev 다항식 기반 그래프 필터**를 도입하여 고유분해를 피하고, 계산 비용을 줄임. 또한, **GLEAM**은 다단계 그래프 구조에서 상호 연결된 대역 에너지 일치를 강화하여, 예측 과정에서 에너지 누수를 방지함. 이는 **autoregressive rollout** 시 에너지 분포가 일관되게 유지되도록 도와준다.

기술적 접근법

**Graph Laplacian**을 사용한 주파수 대역 정의: Fourier 대신 그래프 라플라시안 고유벡터를 기반으로 스펙트럼 분해.
**Graph BSP 손실**: 예측 필드와 타겟 필드의 에너지가 그래프 주파수 대역별로 일치하도록 강제.
**Chebyshev BSP**: 정확한 고유분해 대신 **Chebyshev 다항식 기반 그래프 필터**를 사용하여 스펙트럼 필터링.
**GLEAM**: 다단계 그래프에서 **low-rank graph-resistance geometry**와 **hierarchy-aware pairwise constraints**를 통해 에너지 정렬.
**MeshGraphNets**와 같은 기존 그래프 기반 모델에 모듈형으로 추가 가능.

주요 결과

**EAGLE 데이터셋**: Chebyshev BSP는 rollout RMSE를 개선하고, 스펙트럼 에너지 일치도를 10% 이상 향상시킴.
**backward-facing step**: Chebyshev BSP는 최종 단계의 스펙트럼 드리프트를 15% 감소시키고, GLEAM은 그래프 계층 구조를 활용해 추가 개선.
**pOnWing**: 스펙트럼 변형이 압력 분포와 통합 압력 힘 오차를 12% 개선.
전체적으로, 기존 결정론적 기반 모델 대비 **장기 rollout 정확도와 에너지 보존**이 향상됨.

의의 및 한계

본 연구는 비구조화 메시에서 **스케일 의존적 에너지 일치**를 학습하는 새로운 손실 함수를 제안함. 이는 기존 포인트와이즈 손실이 무시하는 고주파 성분을 보존하여, 장기 예측 시 물리적 일관성을 유지하는 데 기여함. 특히, **MeshGraphNets**와 같은 기존 그래프 기반 모델에 모듈형으로 적용 가능해, 다양한 CFD 문제에 유연하게 확장 가능하다는 점에서 실용적 가치가 높음.

하지만, **정확한 Graph BSP**는 고유분해 비용이 높아 대규모 문제에서는 계산 효율성이 떨어질 수 있음. 또한, **GLEAM**은 다단계 그래프 구조에 의존하므로, 단일 그래프 구조에서는 활용이 제한될 수 있음.

실용적 활용

본 연구는 **비구조화 메시 기반 CFD 예측**, **복잡한 기하 구조를 가진 유체 시뮬레이션**, **기상 및 지구물리학 모델링** 등에 적용 가능함. 특히, **MeshGraphNets**와 같은 기존 그래프 기반 모델에 모듈형으로 추가하여, **장기 rollout 예측 정확도를 향상**시키는 데 유용함.