난류는 유체 시스템에서 복잡한 다중 스케일 현상으로서, 과학 및 공학 분야에서 그 물리적 메커니즘을 이해하는 데 큰 도전이자 중요한 기회를 제공합니다. 고해상도 난류 데이터는 이론 연구 심화 및 공학적 응용 촉진에 있어 핵심적이지만, 높은 계산 비용으로 인해 획득이 제한됩니다. 최근 딥러닝 방법은 희소한 측정치로부터 고충실도의 유동장을 재구성하는 데 뚜렷한 잠재력을 보여주었으나, 기존 방법은 완벽히 쌍(pair)으로 된 학습 데이터에 과도하게 의존하고 단일 프레임워크에서 다중 스케일 재구성을 구현하기 어렵다는 두 가지 주요 한계가 있습니다. 이를 해결하기 위해 본 논문은 난류 재구성을 위한 해시 적응형 이중 융합 암묵 신경망(HADF)을 제안합니다. 본 방법은 저해상도 일관성 손실을 도입하여 일부 쌍이 누락된 데이터 상황에서도 안정적인 학습을 가능하게 함으로써 완벽히 일치하는 저해상도 및 고해상도 데이터셋에 대한 의존을 해소합니다. 동시에 HADF는 해시 적응형 공간 인코딩과 동적 특징 융합 메커니즘을 결합하여 난류 특징을 효율적으로 추출하며, 암묵 신경 표현을 통해 임의 해상도에서 연속적인 재구성을 수행합니다. 실험 결과는 HADF가 전체 재구성 정확도와 지역 물리적 일관성에서 기존 최첨단 모델을 능가함을 보여줍니다. 이 방법은 단 한번의 학습만으로 일부 비쌍 데이터와 다중 해상도 시나리오에서 정확한 난류 세부 재구성을 실현하며, 노이즈가 존재하는 조건에서도 뛰어난 견고성을 유지합니다.

난류 재구성; 딥러닝; 비쌍 데이터; 저해상도 일관성 손실; 해시 적응형 공간 인코딩; 동적 특징 융합; 암묵 신경 표현