PyTorchKR Papers

최신 논문

총 1편
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.