PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09763v1cs.CV

Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design

공학적 형상 최적화는 전문가 의존적 문제 설정과 대리 모델의 신뢰성이라는 두 가지 과제에 직면해 있다. 실제 공력 설계에서 편집 가능 영역, 변형 범위, 설계 보존 제약 조건과 같은 최적화 설정은 일반적으로 숙련된 엔지니어가 수동으로 지정하며, 대리 모델 기반 최적화는 이질적인 형상 데이터베이스와 분포 외(out-of-distribution) 설계에 대해 신뢰성이 저하될 수 있다. 이러한 과제를 해결하기 위해, 본 연구는 지식 기반 제약 조건과 사용자 의도를 DFFD 기반 변형 연산자의 정량화 가능한 파라미터로 변환하는 지식 제약 형상 최적화 프레임워크를 제안하여, 공학적으로 인식 가능하고 제어 가능한 제약 최적화를 실현한다. 또한 이질적인 공력 데이터셋에 대한 항력 예측과 추세 일관성을 향상시키기 위해 전문가 혼합 신경 연산자(MoE-NO, Mixture-of-Experts Neural Operator)를 개발한다. MoE-NO 인코더와 마할라노비스 거리(Mahalanobis distance)를 기반으로, 분포 외 형상을 탐지하고 선택적으로 물리 솔버 피드백을 유발하여 지역 샘플을 보강하는 불확실성 추정 전략을 도입한다. 사내 MPV, SUV, 세단 데이터셋에 대한 실험에서 MoE-NO는 테스트 세트 MAPE $1.16\%$와 추세 예측 정확도 $94.34\%$를 달성하여, 각각 $1.52\%$와 $90.34\%$인 최고 기준선 결과를 능가한다. 차량 형상 최적화 실험에서는 CFD로 검증된 항력 계수 감소 약 $4\%$에서 $10\%$를 추가로 달성한다.

arXiv:2607.11497v1cs.LG

IG-GAN: 내재 기하학 기반 공기역학 데이터 생성을 위한 생성적 적대 신경망

IG-GAN: A Generative Adversarial Network for Aerodynamic Data Generation Based on Intrinsic Geometry

기존 생성 모델들은 평탄한 유클리드 공간에서 데이터 분포를 학습한다. 그러나 실세계의 대부분의 데이터는 고차원 유클리드 공간에 내재된 다양체(manifold)이다. 이에 우리는 공기역학 분야의 데이터 생성을 위한 내재 기하학 기반 생성적 적대 신경망(IG-GAN)을 제안한다. IG-GAN의 생성자는 공기역학 데이터를 베지에 곡면(Bézier surfaces)으로 구성된 조각별 매끄러운 다양체로 표현하며, 각 베지에 곡면의 계수를 학습하여 복수의 베지에 곡면을 자동으로 매끄러운 다양체로 결합한다. IG-GAN의 판별자는 방사 기저 함수(RBF) 기반 판별자(RBF-D)이다. 실험 결과, IG-GAN은 세 가지 베이스라인 대비 더 낮은 예측 평균 제곱 오차(MSE)를 달성하였다. 구체적으로, Burgers' equation 데이터셋에서 IG-GAN은 최신 기법인 SSL-트랜스포머 대비 속도 u의 예측 MSE를 97.41% 감소시켰다. 또한 ONERA M6 항공기 데이터셋에서 IG-GAN은 SSL-트랜스포머 대비 9개 공기역학 계수의 전체 MSE를 82.95% 감소시켰다.

arXiv:2606.28871v1stat.ML

공기역학적 불확실성 정량화를 위한 베이지안 잠재 가우시안 프로세스 프레임워크

A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

가우시안 프로세스(Gaussian process) 대리 모델과 Kennedy-O'Hagan 보정 프레임워크를 결합한 베이지안 잠재 GP 방법론을 제안하여, 저충실도 XFOIL 시뮬레이션 데이터와 희소한 실험 측정값만으로 항공역학적 계수(양력·항력·모멘트)의 불확실성을 정량화한다. 입력 불확실성을 잠재 변수로 처리해 주변화하는 핵심 기법 덕분에, 보정된 모델이 예측 샘플의 94.2–95.8%를 공개된 95% 진실 구간 내에 위치시키는 높은 정확도를 달성했다.

arXiv:2606.27126v1cs.LG

공기역학 예측을 위한 Kolmogorov Arnold 네트워크(KAN): MLP 및 GNN과의 비교

Kolmogorov Arnold networks (KAN) for aerodynamic prediction: a comparison with MLPs and GNNs

유체역학 서로게이트 모델링에서 아음속·천음속 에어포일 표면 압력 분포 예측을 위해 Kolmogorov Arnold 네트워크(KAN)를 MLP·그래프 신경망(GNN)과 비교 평가한다. KAN은 마하수와 받음각에 대한 내삽이 가능하고 복잡도가 낮아 학습이 빠르지만, GNN이 최고 성능을, MLP가 그에 근접한 성능을 보였으며 KAN은 학습 불안정성과 하이퍼파라미터 의존성으로 인해 성능이 미미하게 낮았다.