PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20916v1cs.LG

보강 패널의 전장 구조 응답 예측을 위한 물리 유도 이중 스트림 이질 그래프 신경망

Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels

대규모·복잡 구조의 반복적 설계와 최적화를 위해서는 응력, 변위 및 기타 필드의 빠르고 정확한 예측이 필요하다. 유한요소해석(FEA)은 이 작업에 계산 비용이 크다. 기존 신경망 대리 모델은 다양한 위상과 복잡한 경계 조건에서 종종 어려움을 겪는다. 본 연구는 얇은 벽 구조에서 전장 응력 및 변위 예측을 위해 새로운 이중 스트림 이질 그래프 신경망(DS-HGNN)을 제안하며, 보강 패널로 구성된 박스 보에서 이를 시연한다. DS-HGNN은 패널 수준의 이질 그래프 표현에서 동작하며, 에지 유형, 공간 정보, 경계 운동학으로 초기화된 물리 유도 에지 상태를 도입한다. 이 상태들은 종방향 및 횡방향 구조 정보를 분리하면서 스트림 간 교환을 허용하는 이중 스트림 메시지 패싱(message passing)을 통해 갱신된다. 기하 및 하중 효과는 Feature-wise Linear Modulation(FiLM)으로 조건화된 1차원 스펙트럴 합성곱을 통해 통합되며, 물리 필드는 스펙트럴-바이패스(spectral-bypass) 저랭크(low-rank) readout을 사용하여 재구성된다. 해당 모델은 서로 다른 기하, 경계 운동학, 하중 조건, 재료 비선형 응답을 가진 보강 패널 데이터셋에서 평가된다. DS-HGNN은 6개의 벤치마크 이질 그래프 신경망 모델과 비교하여 가장 낮은 응력 및 변위 RMSE를 달성한다. 또한 가장 강력한 벤치마크 모델과 비슷한 정확도를 19%-38% 더 적은 학습 샘플로 달성한다. 표적 평가는 DS-HGNN이 항복(yield) 및 항복 후(post-yield) 응력 특징을 포착함을 추가로 보여준다.

arXiv:2606.12994v1cs.LG

DeepJEB++: 2D 잠재 공간 증강을 통한 파운데이션 모델 기반 대규모 3D 엔지니어링 데이터셋

DeepJEB++: Foundation Model-Driven Large-Scale 3D Engineering Dataset via 2D Latent Space Augmentation

DeepJEB++는 2D 잠재 공간 증강과 파운데이션 모델을 활용하여 소규모 시드 데이터에서 대규모 시뮬레이션 라벨이 부여된 3D 엔지니어링 데이터셋을 생성하는 프레임워크입니다. 2D 확산 모델 파인튜닝, 비전-언어 모델(VLM) 필터링, 자동화된 유한 요소 라벨링 파이프라인을 통해 400개 미만의 시드 디자인을 1만 5천 개 이상의 데이터로 40배 확장했습니다.