PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15885v1cs.AI

다양한 실내 공간 치수에서의 실시간 예측을 위한 캔버스 기반 및 좌표 기반 기하학적 조건부 신경망 비교 연구

Comparative Study of Canvas- and Coordinate-Based Geometry-Conditioned Neural Networks for Real-Time Prediction of Indoor Environments with Varying Room Dimensions

전산유체역학(CFD, computational fluid dynamics)은 반복적인 건물 설계에 있어 계산 비용이 많이 든다. 심층 학습(deep learning) 서로게이트 모델은 더 빠른 예측을 제공하지만, 다양한 방 치수에 걸친 일반화는 여전히 어려운 과제로 남아 있다. 본 연구는 다양한 방 크기에서 실내 공기 흐름 및 온도장을 신속하게 예측하기 위한 두 가지 기하학적 조건부 신경망(neural network) 서로게이트 모델을 비교한다. 건축 설계 단계에서 이 방법은 공급되는 조화된 공기가 높이와 길이가 다른 방 전체에 신선하고 시원한 공기를 효과적으로 제공할지를 실시간으로 평가하는 데 유용하다. 캔버스 기반 신경망(CaNN, canvas-based neural network)은 고정된 캔버스 내에서 서로 다른 점유 영역을 보존함으로써 방 크기를 명시적으로 인코딩하는 반면, 좌표 기반 신경망(CoNN, coordinate-based neural network)은 정규화된 좌표 채널을 사용한다. 두 모델 모두 U-Net 오토인코더를 사용하여 공기 흐름장과 온도장을 개별적으로 예측한다. 평가는 높이와 길이가 다양한 단순화된 방을 통제된 벤치마크(benchmark)로 사용하여 수행된다. 결과는 CaNN이 CoNN보다 CFD 결과와 더 높은 일치도를 달성함을 보여주며, 이는 성능 중심 건물 설계를 지원할 잠재력을 입증한다.

arXiv:2609.31765v2cs.CV

HGPTrans: 차량 공기역학적 항력 계수 예측을 위한 계층적 그래프 풀링 Transolver

HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction

공기역학적 항력 계수($C_D$)를 정확하고 신속하게 예측하는 것은 특히 수많은 후보 형상을 평가해야 하는 초기 설계 단계의 차량 설계에 필수적입니다. 전산유체역학(CFD)은 신뢰할 수 있는 공기역학적 추정치를 제공하지만, 높은 계산 비용으로 인해 대규모 설계 탐험(exploration)이 제한됩니다. 본 논문에서는 차량 표면 메시로부터 직접 $C_D$를 예측하기 위해 계층적 그래프 풀링(hierarchical graph pooling)과 Transolver 기반 어텐션을 결합한 계층적 그래프 풀링 Transolver(HGPTrans)를 제안합니다. 차량의 공기역학이 국소적 기하학적 특징과 공간적으로 떨어진 표면 영역 간의 장거리 상호작용 모두에 의존한다는 점에 착안하여, HGPTrans는 세 가지 상호보완적인 구성 요소를 통합합니다. 그래프 동형성 합성곱(Graph isomorphism convolution)은 변별력 있는 국소 기하학 정보를 인코딩하고, Transolver 방식의 슬라이스 어텐션은 선형 계산 복잡도로 전역적 상호작용을 포착하며, 정보 중복성을 고려한 계층적 풀링은 유익한 기하학적 구조를 보존하면서 중복 노드를 점진적으로 제거합니다. 이 모델은 대규모 DrivAerNet 및 DrivAerNet++ 데이터셋에서 학습(training) 및 평가(evaluation)되었으며, 평가된 베이스라인 중 가장 낮은 평균 절대 오차와 평균 제곱 오차를 달성했습니다. 또한 세단과 스포츠 유틸리티 차량(SUV)을 모두 포함하는 실제 차량 데이터셋에서의 전이학습(transfer learning)을 통해 일반화 성능을 추가로 검증하였으며, 차량당 약 $0.293$초의 추론(inference) 시간으로 1.56\%(세단) 및 2.12\%(SUV)의 상대 $L_1$ 오차를 기록했습니다. 이는 예측된 항력 계수를 CFD 기준치 대비 수 퍼센트 이내로 유지하면서 고정밀 CFD에 비해 몇 자릿수(orders of magnitude)에 달하는 속도 향상을 이루어낸 것에 해당합니다. 소제 연구(ablation study)를 통해 각 구성 요소의 기여도를 확인하고 네트워크 깊이 및 풀링 비율의 영향을 규명했습니다.

arXiv:2609.36806v2cs.AI

CANTO: AI 지원 엔지니어링을 위한 CAD 네이티브 트랜스포머 연산자

CANTO: CAD-Native Transformer Operators for AI-Aided Engineering

자동차에서 항공기에 이르기까지 현대의 엔지니어링 시스템은 정밀하고 연속적인 파라메트릭 컴퓨터 지원 설계(CAD) 모델을 사용하여 설계됩니다. 수치 시뮬레이션을 통해 설계 변경 사항을 평가하려면 연속적인 형상을 격자화(meshing)해야 하는데, 이는 수작업 개입이 필요할 수 있고 계산 비용이 많이 들며 불안정한 경우가 많은 과정일 뿐만 아니라 연속적인 표현을 이산적인 근사치로 대체하게 됩니다. 대부분의 신경 대리 모델(neural surrogate)은 시뮬레이션을 가속하지만, 격자(mesh), 포인트 클라우드(point cloud), 복셀(voxel) 또는 기타 샘플링된 형상 근사치에 의존함으로써 이러한 표현 격차를 그대로 물려받습니다. 본 논문에서는 입력 형상을 격자화하지 않고 연속적인 CAD 형상에서 물리장(physical field)으로 직접 매핑하는 트랜스포머(transformer) 신경 연산자인 CANTO를 소개합니다. 저자들은 파라메트릭 패치(parametric patch)의 시퀀스를 통해 형상을 표현함으로써 기하학적 다양체(manifold)로부터 물리장의 함수 공간으로의 연산자를 학습하기 위한 이론적 프레임워크를 개발합니다. CANTO는 제어점, 매듭 벡터(knot vector), 가중치로부터 비균일 유리 B-스플라인(NURBS) 패치를 직접 토큰화하고, 임의의 쿼리 위치에서 연속적인 표면 및 체적 필드를 예측함으로써 이 프레임워크를 구현합니다. 저자들은 4개의 자동차 및 항공기 공기역학 산업 벤치마크인 AhmedML, WindsorML, DrivAerML, HiLiftAeroML에서 CANTO를 평가합니다. CANTO는 HiLiftAeroML에서 AB-UPT 대비 표면 압력 상대 $L_2$ 오차를 19.8% 감소시키는 등 평가된 대부분의 표면 및 체적 예측 태스크에서 최고 수준(state-of-the-art)의 정확도를 달성합니다. 나아가 CAD 파라미터에 대한 미분 가능성은 그래디언트(gradient) 기반의 역설계를 가능하게 합니다. AhmedML에서 CANTO는 동일한 부피 및 양력 제약 조건을 만족하는 데이터셋(dataset) 내 최적의 설계 대비 항력이 4.4~20.4% 낮은 설계를 식별하며, 이러한 개선 사항은 원래 데이터셋을 생성하는 데 사용된 것과 동일한 CFD 설정을 사용하여 검증되었습니다.

arXiv:2601.11440v3cs.LG

GenDA: 분류기 없는 확산 가이던스를 통한 복잡한 도심 지역의 생성적 데이터 동화

GenDA: Generative Data Assimilation on Complex Urban Areas via Classifier-Free Diffusion Guidance

희소 센서 데이터만으로 도시 내 고해상도 바람장을 재구성하기 위해, GenDA는 CFD 시뮬레이션으로 학습된 다중 스케일 그래프 기반 확산 모델에 분류기 없는 가이던스(classifier-free guidance)를 적용하여 기하학 인식 사전 분포와 센서 관측 제약을 결합하는 생성적 데이터 동화(data assimilation) 프레임워크를 제안한다. 지도 학습 GNN 및 고전적 저차원 데이터 동화 기법 대비 RRMSE를 25~57% 감소시키고 SSIM을 23~33% 향상시켰으며, 재학습 없이 학습에 포함되지 않은 메시 기하구조와 센서 배치에도 일반화됨을 실제 영국 브리스톨 도시 RANS 시뮬레이션으로 검증하였다.

arXiv:2606.24265v1cs.CE

Neural Network-Based Parametric Model Reduction for Predicting Turbulent Flow for Different Vehicle Geometries

Numerical simulations in industrial applications often require performing numerous high-precision computations parameterized by specific experimental conditions. For instance, in vehicle body design, aerodynamic simulations are essential for evaluating the aerodynamic characteristics of various proposed body geometries. However, computational resource constraints often become a bottleneck. Therefore, achieving the desired accuracy while minimizing computational cost is crucial. To address this challenge, model reduction methods have been developed to decrease the degrees of freedom by constraining the possible states of a physical system to a lower-dimensional subspace. In particular, reduction techniques that project the system onto a nonlinear subspace using neural networks have been actively studied. Our previous research developed a reduced-order model that integrates neural-network-based model reduction with a time-evolution method, implemented as a distributed parallel training framework to process high-resolution flow field data efficiently. In this study, we extend this reduction approach by incorporating a variational autoencoder to assess its robustness in high-Reynolds-number flows around multiple vehicle bodies with varying geometries. Specifically, we evaluate the reconstruction accuracy of vortex generation across different spatial and temporal scales using a compact latent representation, with a particular focus on the flow behavior near the rear end of the vehicle body.

arXiv:2606.19251v1physics.comp-ph

그래프 신경망을 이용한 대수적 다중격자 압력 솔버의 가속

Acceleration of an algebraic multigrid pressure solver using graph neural networks

압력-푸아송 방정식을 푸는 문제는 전통적인 선형 솔버가 메쉬 불규칙성에 본질적으로 민감하기 때문에 비압축성 비정렬 유동 솔버에서 주된 계산 병목 현상으로 남아 있습니다. 본 연구는 수정된 그래프 컨볼루션 동형 네트워크(GCIN)를 사용하는 데이터 기반 대수적 다중격자(AMG) 스무더를 소개합니다. 그래프 신경망은 다양한 격자 위상에 걸쳐 희소 유사 역 연산자를 구성하기 위한 최적의 다항식 계수를 예측합니다. 해당 계수는 각 V-사이클 반복 후 잔차를 줄이도록 최적화됩니다. 희소 계수 행렬에서 시스템의 대수적 구조를 직접 포착함으로써, 제안된 방법은 비정렬 격자의 국소 이방성에 적응하면서도 솔버의 선형성을 유지합니다. 우리의 프레임워크는 주어진 허용 오차를 만족하는 데 필요한 V-사이클 횟수를 줄이고 다양한 벤치마크에서 4%에서 37%에 달하는 실제 시간 단축을 달성하여 상당한 성능 향상을 입증합니다. 특히, 이 모델은 학습에 사용된 것보다 최대 128배 더 큰 메쉬에서도 효율성을 유지하고, AirfRANS 데이터셋과 같은 새로운 산업 관련 문제에서 솔버의 수렴을 가속화하여 강건한 일반화 능력을 보여줍니다.

arXiv:2606.17121v1stat.AP

CFD 기반 합성 데이터를 이용한 선박 자유 주행 기동 시스템 식별을 위한 정규화 머신러닝: 비교 연구

Regularized Machine Learning for System Identification of Ship Free-Running Manoeuvres from CFD-Based Synthetic Data: A Comparative Study

본 연구는 자유 주행 시뮬레이션에서 생성된 CFD 데이터로부터 선박 유체력 계수를 식별하기 위한 지도 학습 기법을 조사합니다. 구체적으로, 일반 최소제곱법(OLS)과 정규화 회귀 방법을 Abkowitz 유형의 기동 모델에 적용합니다. 학습 및 검증 데이터셋은 지그재그 및 선회 기동에 대한 URANS 시뮬레이션 결과에서 도출되었으며, 실험용 벤치마크 데이터를 통해 검증되었습니다. 본 분석은 계수 집합의 크기, 예측 모델 학습에 필요한 최소 학습 길이, 그리고 기동 조합이 모델 성능에 미치는 영향을 평가합니다. 결과에 따르면, 적절한 계수 선택, 회귀 모델 또는 입력 데이터 변동성을 통해 다중공선성이 해결된다면 대각 지그재그 기동이 유체력 시스템 식별에 적합함을 보여줍니다. 더 큰 계수 집합은 가변 조건에 대한 모델 유연성을 높여주지만, 다중공선성에 더 취약합니다. 정규화 회귀 기법은 다중공선성을 효과적으로 완화하고 예측 정홅도를 현저히 향상시키는데, 더 다양한 기동 데이터를 포함하는 것 또한 동일한 효과를 보입니다. 테스트된 모델 중 릿지 회귀(Ridge regression)가 계산 효율성과 예측 정홅도 사이에서 최상의 절충안을 제공했습니다.

arXiv:2606.07481v1cs.LG

대리 유동 모델링을 위한 드리프팅 모델

Drifting Models for Surrogate Flow Modeling

전산유체역학(CFD)은 실내 환경 최적화를 위해 고충실도 유동장을 제공하지만, 계산 비용으로 인해 빠른 탐험을 제한합니다. 이 문제를 해결하기 위해 생성형 대리 모델은 결정론적 네트워크보다 우수한 분포 모델링을 제공하지만, 반복적 샘플링이 느린 단점이 있습니다. 고품질의 단일 패스 생성을 가능하게 하기 위해, 우리는 새로운 생성형 드리프팅 프레임워크를 유체역학에 적용했습니다. 우리는 학습된 VAE 잠재 공간에서 드리프팅을 수행하고, 생성된 샘플을 경계 조건과 정렬하기 위해 라벨 인식 마스킹을 사용하는 조건부 아키텍처를 소개합니다. 우리의 라벨 조건부 모델은 정확도와 유동 일관성 측면에서 반복적 디퓨전과 대등하면서도 100배 더 빠른 속도로 실행됩니다. 또한, 미지의 형상으로의 일반화를 위한 유망한 경로를 확립하는 공간 조건부 변형을 제안합니다. 결론적으로, 조건부 드리프팅은 디퓨전 기반 접근법에 대한 고도로 효율적인 대안으로서, 추론 속도가 중요한 상황에서 실시간 CFD 대리 모델을 실현합니다.