PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02461v1cs.LG

3D-IC 열 모델링을 위한 구성 가능한 AI 가속 반복 솔버

A Composable AI-Accelerated Iterative Solver for 3D-IC Thermal Modeling

이종 2.5D/3D 집적 회로(3D-IC) 패키지의 정확한 열 해석은 필수적이지만 계산 비용이 지나치게 높습니다. 단일 풀 패키지 유한 요소법(FEM) 시뮬레이션은 수 시간이 걸릴 수 있으며, AI 기반 대리 모델(surrogate)은 전체 스택을 단일(monolithic) 예측 대상으로 취급하므로 다이(die) 수나 토폴로지가 변경될 때마다 재학습해야 합니다. 이러한 한계를 해결하기 위해 본 연구에서는 열 해석을 위한 도메인 분해 AI 가속 반복 솔버인 DAIST(Domain-Decomposed AI-Accelerated Iterative Solver for Thermal Analysis)를 제안합니다. DAIST는 글로벌 패키지 시뮬레이션을 블록 수준의 서브도메인 문제로 분해하고, 서브도메인 솔버를 신경 연산자(neural operator)로 대체하며, 계면 온도와 열유속(heat flux)의 반복적 교환을 통해 이들을 결합하는 구성 가능한(composable) 열 솔버입니다. 이러한 로컬-투-글로벌(local-to-global) 아키텍처는 단일 모델의 토폴로지 종속성을 제거하여, 블록 수준의 신경 연산자를 재학습 없이 이전에 보지 못한 패키지 조립 구조에 직접 재사용할 수 있도록 합니다. 또한 반복 커플링 전략은 제어 가능한 정확도-실행 시간 간의 트레이드오프를 제공하여, 반복 예산을 조정함으로써 정확도와 실행 시간을 상호 조율할 수 있습니다. 멀티 칩렛 시스템과 첨단 패키징 시스템에서 평가한 결과, DAIST는 기존 FEM 솔버 대비 최대 $178\times$의 속도 향상을 달성하면서 각각 0.068%와 0.323%의 평균 온도 오차를 기록했으며, 구조적으로 상이한 패키지 조립 전반에 걸쳐 블록 수준 모델의 교차 토폴로지 재사용성을 입증했습니다.

arXiv:2511.15445v3math.NA

헬름홀츠 방정식의 효율적인 해법을 위한 신경망 기반 영역 분할법

Neural network-driven domain decomposition for efficient solutions to the Helmholtz equation

파동 전파를 정확하게 시뮬레이션하는 것은 음향학, 전자기학, 지진 분석과 같은 분야에서 매우 중요합니다. 유한 차분법 및 유한 요소 접근법과 같은 전통적인 수치 해석 방법은 헬름홀츠(Helmholtz) 방정식과 같은 지배 편미분 방정식(PDE)을 푸는 데 널리 사용됩니다. 그러나 이러한 방법들은 복잡한 2차원 영역의 고주파 파동 문제에 적용될 때 상당한 계산적 난관에 직면합니다. 본 연구에서는 유망한 대안으로서 유한 기저 물리 정보 신경망(Finite Basis Physics-Informed Neural Networks, FBPINN)과 그 다중 레벨 확장을 조사합니다. 이러한 방법들은 영역 분할법(domain decomposition)을 활용하여 계산 영역을 중첩되는 하위 영역으로 분할하고, 각 하위 영역을 국소 신경망이 관할하도록 합니다. 우리는 균질한 경우의 헬름홀츠 방정식을 해결하는 데 있어 이들의 정확도와 계산 효율성을 평가하며, 전통적인 접근 방식의 한계를 완화할 수 있는 잠재력을 입증합니다.

arXiv:2511.20687v4math.NA

연산자 추론과 overlapping Schwarz 교대법을 이용한 하이브리드 결합

Hybrid coupling with operator inference and the overlapping Schwarz alternating method

본 논문은 overlapping Schwarz 교대법(O-SAM)을 사용하여 서브도메인 국소 비침습적 연산자 추론(OpInf) 차차 모델(ROM)을 서로 및 서브도메인 국소 고정밀 전차 모델(FOM)과 결합하는 새로운 하이브리드 접근법을 제시한다. 제안된 방법론은 다중 스케일 모델링 및 시뮬레이션, 특히 전통적인 고정밀 시뮬레이션과 관련된 긴 실행 시간과 복잡한 메쉬 생성 요구사항 등 중요한 과제를 다룬다. O-SAM의 유연성을 활용하여, 이질적인 모델, 메쉬, 시간 적분 방식을 원활하게 통합할 수 있게 하며, 높은 정확도를 유지하면서 계산 효율을 향상시킨다. 본 접근법은 복잡한 3차원(3D) 고체 동역학 문제에 대한 일련의 수치 실험을 통해 입증되며, 기존 FOM-FOM 결합 대비 최대 106배의 속도 향상을 보여준다. 이 연구는 공학 응용에서 더 효율적인 시뮬레이션 워크플로의 길을 열며, 편미분 방정식(PDE)의 광범위한 범위로의 잠재적 확장 가능성을 지닌다.

arXiv:2606.26333v1cs.LG

Mesh-RL: 결합된 서브그리드 강화학습

Mesh-RL: Coupled subgrid reinforcement learning

희소 보상 환경에서 시간차(TD) 학습의 가치 정보가 국소적으로만 전파되어 장거리 크레딧 할당이 느린 문제를, 유한 요소법·영역 분해에서 영감을 받아 환경을 중첩 서브그리드로 나누고 경계 일관성 TD 업데이트로 전역 가치 전파를 보장하는 Mesh-RL로 해결한다. 위험 밀집 격자 세계에서 Q-learning, SARSA, Dyna-Q 모두 수렴 속도·누적 보상·학습 안정성이 개선되었고, 메시 해상도를 높이면 탐험이 유지되며 원거리 상태로의 가치 전파가 더 빨라진다.

arXiv:2606.18525v1cs.LG

영역 분해를 통한 계층적 어텐션

Hierarchical Attention via Domain Decomposition

2단계 중첩 슈바르츠(Schwarz) 영역 분해를 바탕으로, 중첩 부분 영역의 국소 저랭크 어텐션 블록과 거친(coarse) 어텐션 블록을 결합한 계층적 어텐션 메커니즘을 제안하고 1차원 확산 문제의 유한 차원 연산자 학습에서 검증한다. 합성 푸리에 우변 실험에서 전역 저랭크 $QK^T$ 어텐션 기준선보다 파라미터를 크게 줄이면서 더 빠르게 학습하고 더 정확한 해 연산자 근사를 달성한다.