신경 연산자(neural operator) 기반 PDE 대리모델이 관측 상태와 정적 문제 서술자에만 의존해 미래 상태를 예측하는 한계를 보완하기 위해, 목표 시점에 부과되는 조건(운동·유입·힘)을 반영하는 시공간 조건부 연산자(STCO)를 제안한 연구다. 소용돌이도 기반의 비학습형 Flow-Aware Graph Leaf(FAGL)로 관측 이력과 목표 조건을 지역 좌표에 배치하고, Dual-Site FiLM(DSFiLM)으로 운동·유입·힘 경로를 연산 전후에 별도 주입한다. 12개의 기존 백본 아키텍처, 부과된 운동·유입 교란·체력 작동·형태 변화를 포괄하는 몰입경계 CFD 벤치마크에서 평가한 결과, STCO는 상대 L2 필드 오차를 평균 31.1%, 압력 유도 하중 오차를 24.7% 줄였고 11개 백본에서 장기 예측 오차도 개선했다.

• •관측 상태뿐만 아니라 목표 시점의 운동·유입·힘 조건까지 반영하는 STCO 제안
• •비학습형 FAGL(소용돌이도 기반 적응 분할)과 DSFiLM(경로별 게이팅)으로 조건 인터페이스 구성
• •12개 백본 아키텍처, 3개 레짐, 2개 예측 구간에 걸쳐 평가
• •상대 L2 필드 오차 평균 31.1%, 압력 유도 하중 오차 24.7% 감소
• •11개 백본에서 장기 예측 오차 개선, 조건별 개입이 모든 그룹에서 측정 가능한 변화 유발