Orbit-Space 입자 Flow Matching을 활용한 생성 모델링

기존의 생성 모델은 주로 격자(Grid) 구조에 최적화되어 있어 자유롭게 움직이는 입자 시스템을 처리할 때 효율성이 떨어졌다. 이 논문은 입자의 물리적 특성과 대칭성을 직접 활용하는 새로운 Flow Matching 프레임워크를 통해 3D 형상 복원 및 물리 시뮬레이션의 정확도를 획기적으로 높였다.

기존의 Flow Matching은 이미지의 픽셀처럼 고정된 위치의 데이터를 처리하는 데 능숙하지만, 입자 데이터는 순서가 바뀌어도 실질적인 형태가 같은 '순열 대칭성'을 가진다. 이로 인해 동일한 입자 인덱스가 학습 시마다 서로 다른 위치로 매핑되어 모델이 혼란을 겪고 경로가 복잡하게 꼬이는 문제가 발생한다.

이 논문은 이를 해결하기 위해 입자들을 특정 기하학적 기준(예: Hilbert Curve)으로 정렬하는 Canonicalization 과정을 도입한다. 이는 마치 무질서하게 흩어진 입자들에 고정된 '주소'를 부여하는 것과 같아, 모델이 각 입자의 역할을 명확히 구분하고 더 직선적인 이동 경로를 학습할 수 있게 한다.

또한, 입자가 물리 공간에서 이동한다는 점에 착안하여 이동의 마지막 순간 속도(Terminal Velocity)를 단순히 0으로 만드는 대신, 그 방향을 표면의 수직 벡터(Normal)와 일치하도록 설계했다. 결과적으로 모델은 입자를 목표 위치로 옮기는 동시에 그 지점의 기하학적 구조 정보까지 자연스럽게 학습하게 된다.

전체 시스템은 Orbit-Space Canonicalization, Particle Index Embedding, Geometric Probability Paths의 세 가지 핵심 요소로 구성된다. 입력 데이터의 순열 모호성을 제거하기 위해 Hilbert Curve 정렬을 사용하여 입자 인덱스를 표준화하고, 각 입자에 고유한 Embedding을 추가하여 Transformer 모델이 입자별 역할을 전문화하도록 유도한다.

확률 경로 설계에서는 Quadratic Hermite Curve를 사용한다. [입자 위치 x₀, x₁ 및 종단 속도 v₁을 입력으로] → [x(t) = x₀ + α(t)(x₁ - x₀) + β(t)v₁ 수식을 통해] → [시간 t에 따른 입자의 궤적을 계산하고] → [이 경로의 미분값을 통해 학습에 필요한 참조 속도 필드를 생성한다].

특히 Arc-length Terminal Velocity(ATV) 기법을 도입했다. [현의 길이 D와 법선 정렬도 S를 입력으로] → [L_arc = D(1 + λ(1 - S)) 연산을 수행하여] → [입자별 종단 속도의 크기를 결정하고] → [이를 통해 경로 전체에서 입자의 이동 속도를 일정하게 유지하여 시간 샘플링의 효율성을 극대화한다].

최소 곡면(Minimal Surface) 생성 실험에서 제안된 방법은 단 한 번의 추론 단계만으로도 기존 SOTA 대비 메트릭 오차를 최대 100배까지 줄였다. ShapeNet 데이터셋의 비행기 생성 작업에서는 DiT-3D 모델과 비교하여 파라미터 수는 26배 적고 추론 단계는 5배 적음에도 불구하고 대등한 EMD(Earth Mover's Distance) 성능을 기록했다.

물리 기반 생성인 Blue-noise 생성에서도 26M 파라미터 모델로 Pearson 상관계수 0.999를 달성하며 지면 진리(Ground Truth)에 거의 완벽하게 일치하는 결과를 보였다. 또한 DLA(Diffusion-Limited Aggregation) 시뮬레이션에서 기존 방식들이 파편화된 구조를 생성한 것과 달리, 실제와 유사한 수지상 분기 구조를 정확히 재현했다.

본 연구는 Flow Matching을 오일러(Eulerian) 관점이 아닌 라그랑주(Lagrangian) 관점에서 재해석하여 개별 입자의 궤적을 직접 최적화한다. 아키텍처는 Plain Transformer Encoder를 기반으로 하며, 입자 좌표와 시간 정보를 입력받아 속도 벡터를 예측한다. 순열 대칭성을 다루기 위해 제안된 One-sided Canonicalization(x₁만 정렬)은 x₀까지 정렬할 경우 발생하는 Lipschitz Ratio의 폭증과 방향성 상쇄(Directional Cancellation) 문제를 이론적으로 회피한다.

수학적으로는 Hermite 보간법을 확률 경로에 도입하여 경계 조건 x(0)=x₀, x(1)=x₁, ẋ(1)=v₁을 동시에 만족시킨다. 이때 v₁은 표면 법선 n₁에 비례하도록 설정되어, 학습된 주변 속도 필드(Marginal Velocity Field)가 t=1에서 조건부 기댓값 E[n₁|x₁=x]에 수렴하게 함으로써 별도의 헤드 없이 법선을 예측할 수 있게 한다.

현재 프레임워크는 고정된 수의 입자에서만 작동하며, Transformer의 Self-Attention 구조로 인해 입자 수가 증가함에 따라 연산 비용이 제곱으로 증가하는 한계가 있다. 또한 제안된 기하학적 경로는 Wasserstein-2 최적 운송 경로와 정확히 일치하지 않아 일부 복잡한 분포에서는 경로가 다소 휘어질 수 있다.