SHallow REcurrent Decoders를 이용한 단시간 시퀀스 데이터로부터의 잠재 단계 추론 (LAPIS-SHRED)

LAtent Phase Inference from Short time sequences using SHallow REcurrent Decoders (LAPIS-SHRED)

공간과 시간 측면에서 데이터가 부족한 상황에서, 복잡한 시스템의 전체적인 시공간 역학을 재구성하는 것은 여전히 중요한 과제입니다. 측정 데이터는 공간적으로 불완전하거나, 시간적으로 제한된 윈도우에 국한될 수 있기 때문입니다. 그러나 완전한 시공간 경로를 추정하는 것은 메커니즘적 이해, 모델 보정, 그리고 의사 결정에 필수적입니다. 본 논문에서는 LAPIS-SHRED (LAtent Phase Inference from Short time sequence using SHallow REcurrent Decoders)라는 모듈형 아키텍처를 소개합니다. 이는 제한된 시간 윈도우 내의 희소 센서 데이터를 기반으로 전체적인 시공간 역학을 재구성하고 예측하는 것을 목표로 합니다. LAPIS-SHRED는 세 단계 파이프라인으로 작동합니다. (i) SHRED 모델은 센서 데이터의 시간 히스토리를 구조화된 잠재 공간으로 매핑하기 위해 시뮬레이션 데이터만을 사용하여 사전 훈련됩니다. (ii) 시뮬레이션 데이터에서 얻은 잠재 경로를 사용하여 훈련된 시퀀스 모델은 잠재 상태를 시간 방향으로 전달하여 짧은 관측 시간 윈도우에서 관측되지 않는 시간 영역을 확장합니다. (iii) 실제 시스템에서 짧은 관측 윈도우의 극도로 희소한 센서 측정값을 입력으로 제공하면, 사전 훈련된 SHRED 모델과 시퀀스 모델이 협력하여 전체 시공간 경로를 재구성하거나 예측합니다. 이 프레임워크는 양방향 추론을 지원하며, 모듈형 구조를 통해 데이터 동화 및 다중 스케일 재구성 기능을 제공합니다. 또한, 단일 프레임의 입력과 같은 극단적인 관측 제약을 처리할 수 있습니다. 우리는 LAPIS-SHRED를 난류 흐름, 다중 스케일 추진 시스템, 휘발성 연소 현상, 위성 기반 환경 데이터 등 복잡한 시공간 현상을 다루는 여섯 가지 실험에서 평가했습니다. 이러한 실험 결과는 물리적 또는 물류적 제약으로 인해 관측이 제한적인 운영 환경에 적합한 경량의 모듈형 아키텍처임을 보여줍니다.

Reconstructing full spatio-temporal dynamics from sparse observations in both space and time remains a central challenge in complex systems, as measurements can be spatially incomplete and can be also limited to narrow temporal windows. Yet approximating the complete spatio-temporal trajectory is essential for mechanistic insight and understanding, model calibration, and operational decision-making. We introduce LAPIS-SHRED (LAtent Phase Inference from Short time sequence using SHallow REcurrent Decoders), a modular architecture that reconstructs and/or forecasts complete spatiotemporal dynamics from sparse sensor observations confined to short temporal windows. LAPIS-SHRED operates through a three-stage pipeline: (i) a SHRED model is pre-trained entirely on simulation data to map sensor time-histories into a structured latent space, (ii) a temporal sequence model, trained on simulation-derived latent trajectories, learns to propagate latent states forward or backward in time to span unobserved temporal regions from short observational time windows, and (iii) at deployment, only a short observation window of hyper-sparse sensor measurements from the true system is provided, from which the frozen SHRED model and the temporal model jointly reconstruct or forecast the complete spatiotemporal trajectory. The framework supports bidirectional inference, inherits data assimilation and multiscale reconstruction capabilities from its modular structure, and accommodates extreme observational constraints including single-frame terminal inputs. We evaluate LAPIS-SHRED on six experiments spanning complex spatio-temporal physics: turbulent flows, multiscale propulsion physics, volatile combustion transients, and satellite-derived environmental fields, highlighting a lightweight, modular architecture suited for operational settings where observation is constrained by physical or logistical limitations.