PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22609v1cs.RO

문서화된 강도에서 힘 한계치까지: 건설 조립을 위한 재료 정보 기반 로봇 삽입

From Documented Strengths to Force Limits: Material-Informed Robotic Insertion for Construction Assembly

삽입(Insertion)은 로봇 기반 건설 조립에서 필수적인 작업이지만, 재료 물성과 조립 조건의 편차로 인해 조립체의 허용 용량(capacity)을 초과하지 않으면서 작업을 완료할 수 있는 접촉력을 선정하기가 어렵습니다. 건설 문서에는 재료 및 시공 조건에 관한 공학적 지식이 담겨 있지만, 이러한 지식을 특정 조립체에 대한 하중 한계로 변환하는 작업은 여전히 어렵습니다. 본 논문에서는 문서화된 재료 근거를 로봇 삽입을 위한 허용 용량 추정치로 변환하는 시스템인 SAGE(Source-grounded Assembly Gating and Execution)를 제시합니다. SAGE는 대규모 언어 모델(LLM)의 역할을 검색된 구문 및 표에서 인장 및 압축 강도를 추출하고 그 출처를 기록하는 것으로 제한합니다. 그런 다음 반응 모델(response model)이 오프라인 유한 요소(FE) 해석 결과를 보간하여 이러한 강도 및 조립 조건을 축방향 하중 허용 용량으로 변환합니다. 양(+)의 틈새(clearance)를 가지는 끼워맞춤의 경우 추정된 허용 용량이 정책의 축력 한계치를 설정하며, 억지끼워맞춤(interference fit)의 경우에는 측정된 지지 요구치와 비교하여 진입 여부를 결정합니다. 주요 벤치마크(benchmark)에서 SAGE는 동일한 근거를 바탕으로 한 직접적인 LLM 추정치의 평균 허용 용량 오차인 80.65%를 10.74%로 줄입니다. 재적합(refitting) 없이도 16개의 추가적인 형상에서 평균 오차는 8.00%를 유지합니다. 지정된 지지 해제 모델 하에서 SAGE는 점수가 매겨진 62회의 시뮬레이션 실행 중 59회를 정확하게 분류하며, 보수적인 오차만을 보입니다. 기록된 xArm6 시연에서 SAGE는 재료 문서를 입력으로 받아 13회 시험 중 9회에서 물리적 삽입을 성공적으로 완료합니다. 이러한 결과는 문서 해석은 LLM에 맡기고 힘 계산은 명시적 역학 모델에 할당함으로써 정확한 허용 용량 추정과 추적 가능한 삽입 결정을 도출할 수 있음을 보여줍니다.

arXiv:2607.13074v1math.NA

응력집중계수 프로파일로부터 결합 하중이 식별 가능한 경우는 언제인가? SIFBench 유한요소 데이터에 대한 순-역문제 연성 연구

When is the combined load identifiable from a stress-intensity profile? A coupled forward-inverse study on SIFBench finite-element data

본 연구는 공개 SIFBench 유한요소 데이터를 사용하여, 균열 전면을 따라 측정된 응력집중계수(SIF) 프로파일로부터 균열에 작용하는 인장, 굽힘, bearing 하중의 상대적 크기를 복원하는 역문제를 다룬다. 핵심 주장은 현장 사례에 대한 법의학적 하중 복원이 아니라, 결합 하중이 애초에 식별 가능한 경우를 엄밀하게 규명하고, 불가능한 영역에서 정확히 보정된 불확실성을 반환하는 추정량을 제시하는 것이다. 기하가 주어진 경우 하중에서 프로파일로의 순방향(forward) 매핑은 정확히 선형이며, 식별 가능성은 단일 기하학적 질문, 즉 세 가지 기본 하중 프로파일이 전면을 따라 함수로서 선형 독립인지 여부로 환원된다. 이들이 거의 종속인 경우, 서로 다른 많은 하중 조합이 거의 동일한 프로파일을 생성하며 역문제는 ill-posed가 된다. 분석은 ill-posedness의 정도가 조건수(conditioning number)만이 아니라 고유 안정성 마진에 의해 제어됨을 보인다. 단일 균열 전면 연산자는 구조화된 순방향 서로게이트(surrogate) 역할과 동시에 simplex 제약, 집합값(set-valued) 역 추정량에 필요한 미분 가능 매핑을 모두 제공한다. SIFBench 모서리 균열(corner-crack) 시나리오에서 경험적 거동은 이론과 일치한다. 전형적인 기하는 well-posed이고 상당한 소수는 진정으로 ill-posed이므로, 점 추정(point estimate)은 다수에서 신뢰할 수 있고 나머지에서는 증명 가능하게 정보를 제공하지 않는다. 검증은 통제된 합성(synthetic) 노이즈에 대해 수행되며, 실제 파괴(fracture) 사례는 사용되거나 주장되지 않는다.

arXiv:2607.08798v1cs.GR

GReFEM: 물리 기반 3D 메시 정제를 위한 제로샷 시맨틱 어시스턴트로서의 멀티모달 LLM

GReFEM: Multimodal LLMs as Zero-Shot Semantic Assistants for Physics-Guided 3D Mesh Refinement

적응형 체적 유한 요소 메싱(adaptive volumetric finite element meshing)은 컴퓨터 지원 공학 및 해석에서 핵심적인 단계로, 주어진 문제의 계산 비용을 결정한다. 전통적으로 이 과정은 반복적인 PDE 솔버나 대규모 시뮬레이션 데이터로 학습된 고도로 지도된 데이터 기반 대리 모델을 필요로 한다. 멀티모달 대규모 언어 모델(MLLM)이 2D 시각 과제에서 뛰어난 성능을 보이지만, 기하학적 이해와 물리학에 기반하여 영역을 의미적으로 그라운딩하는 제로샷 능력은 여전히 열린 질문으로 남아 있다. 본 연구는 중요한 질문을 탐구한다: 기성 MLLM의 고수준 시맨틱 이해가 유한 요소 메시 정제를 위한 실용적인 제로샷 기하학적 프록시로 활용될 수 있는가? 이를 조사하기 위해, 물리 기반 텍스트 프롬프트를 바탕으로 응력이 집중되는 영역을 시각적으로 국소화하는 데 MLLM을 활용하는 프레임워크인 GReFEM(Geometric Reasoning Enhanced Multimodal LLMs for Finite Element Meshing)을 제안한다. 2D MLLM 사전학습과 3D 기하 구조 사이의 간극을 메우기 위해, 핵심 기하학적 특징의 관측 가능성을 극대화하는 뷰 선택 모듈인 orthoViews를 도입한다. 우리는 다양한 CAD 기하 구조, 하중 조건, 최신 MLLM에 걸쳐 심층적인 실증 평가를 수행하였으며, 엄격하게 일치된 정제 예산 하에서 조정된 기하학적 휴리스틱과 비교하였다. 실험 결과, MLLM은 복잡한 공간-물리적 지시를 정확히 따르는 견고한 제로샷 능력을 보여주며, 맹목적 휴리스틱보다 높은 정밀도로 응력 관련 특징을 분리하는 것으로 나타났다. 물리적 그라운딩에서 MLLM의 성공 사례와 현재 한계를 모두 분석함으로써, 본 연구는 자동화된 시뮬레이션 워크플로우에서 시맨틱 어시스턴트로서의 파운데이션 모델의 최전선을 정의한다.

arXiv:2606.28996v1cs.LG

On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks

단섬유 열가소성(SFT) 복합재는 우수한 강도-중량비, 높은 생산성, 재활용성으로 인해 경량 항공우주 및 자동차 구조물에 점점 더 널리 활용되고 있다. 연속섬유 시스템과 달리, SFT의 기계적 응답은 섬유 방향, 공간적 클러스터링, 제조 유발 다공성 사이의 메조스케일 상호작용에 의해 결정된다. 이러한 특성들은 제조 부품 내에서 상당한 공간적 변동성을 나타내며 강성, 손상 개시, 비선형 변형에 영향을 미친다. 메조스케일 유한요소(FE) 모델이 이러한 불균질성을 해석할 수 있으나, 현실적인 3차원 미세구조에 적용하는 것은 계산 비용 측면에서 실현 불가능하다. 본 연구에서는 적층 제조-압축 성형(AM-CM) SFT의 기계적 거동을 예측하기 위한 데이터 기반 대리 모델 프레임워크를 제안한다. 마이크로 컴퓨터 단층촬영 데이터로부터 재구성된 미세구조를 섬유 상호작용 근방을 나타내는 Voronoi 기반 셀로 이산화하였다. 각 셀은 기지 손상을 포함한 비선형 FE 시뮬레이션을 통해 균질화되었으며, 도출된 응력-변형률 응답으로 미세구조 위상과 이력 의존적 기계 진화를 인코딩하는 하이브리드 그래프 신경망(GNN)-장단기 메모리(LSTM) 아키텍처를 학습시켰다. 제안된 대리 모델은 미지의 미세구조에 대한 강성 및 응력-변형률 거동을 정확히 예측하며, 고충실도 FE 시뮬레이션 대비 $R^2 \approx 0.98$을 달성하면서 계산 비용을 2차 이상 절감한다. 실험적으로 보정된 손상 법칙과 프레임워크를 결합함으로써, 섬유 방향, 클러스터링, 다공성이 집합적으로 국소 유효 강성을 지배함을 입증한다. 본 접근법은 기계적으로 취약한 미세구조 셀을 식별하고 SFT 부품의 디지털 트윈 개발을 가속화하기 위한 물리 정보 기반의 데이터 효율적 경로를 제공한다.