경로 의존적 물리장 생성 모델링을 위한 원스텝 플로우 매칭
One-Step Flow Matching for Generative Modeling of Path-Dependent Physical Fields
복잡한 기하 형상과 경로 의존적 구성 모델을 갖는 물리 시뮬레이션은 막대한 계산 비용으로 인해 어려움에 직면한다. 최근 이미지 및 영상 합성 작업에서 성과를 거둔 생성형 AI 모델의 등장은 시뮬레이션을 더욱 개선할 가능성을 제시했다. U-Net 기반 노이즈 제거 확산 확률 모델(denoising diffusion probabilistic models, DDPM)은 탄성 응력장 생성에 채택되었지만, 일반적으로 수백 번의 샘플링 단계가 필요하며, 생성 모델을 경로 의존적(예: 소성) 응력장에 적용한 사례는 매우 제한적이다. 본 연구에서는 확률적 하중-하중 해제 경로와 기하 형상을 갖는 고해상도 경로 의존적 응력장 생성을 위해 트랜스포머 백본 기반의 새로운 플로우 매칭(flow matching, FM) 모델을 제안한다. 제안 모델은 변분 오토인코더(variational autoencoder, VAE)의 잠재 공간(latent space)에서 동작하며, 소성장 시뮬레이션을 영상 합성 작업으로 공식화하여 모든 시간 단계에 걸친 응력장을 직접 생성한다. 한편, 학습 중 조건부 수송 경로 간 교차를 줄이도록 플로우 매칭을 위한 비가우스 소스 분포를 설계했다. 이를 통해 본 모델은 지식 증류(distillation)에 의존하지 않고도 단일 단계로 만족스러운 샘플을 생성할 수 있다. 또한 경로 의존적 시뮬레이션에서 모델 성능을 더욱 향상시키기 위해 토큰 수준의 하중 임베딩(loading embedding)과 두 개의 보조 네트워크를 도입했다. 결과는 제한된 학습 데이터셋으로도 본 모델이 고해상도 경로 의존적 장(field)을 정확하게 생성할 수 있음을 보여준다. 유한요소법(finite element analysis, FEM)보다 계산 효율이 훨씬 높으며, CPU에서는 FEM 대비 6~7배, 소비자급 GPU에서는 약 두 자릿수(orders of magnitude)의 속도 향상을 제공한다.