PyTorchKR Papers

최신 논문

총 45편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.01929v3math.DS

Function-on-function nonlinear autoregressive model (F2NARX) for probabilistic surrogate modeling of stochastic dynamical systems

Constructing accurate and computationally efficient surrogate models for predicting dynamical system responses is critical in many engineering domains, yet remains challenging due to the strongly nonlinear and high-dimensional mapping from external excitations and system parameters to system responses. This work introduces a novel Function-on-Function Nonlinear AutoRegressive model with eXogenous inputs (F2NARX), which reformulates the recently proposed $\mathcal{F}$-NARX method from a function-on-function regression perspective. The proposed framework substantially improves predictive efficiency while maintaining high accuracy. By combining principal component analysis with Gaussian process regression, F2NARX further enables probabilistic predictions of dynamical responses via the unscented transform in an autoregressive manner. The effectiveness of the method is demonstrated through case studies of varying complexity. Results show that F2NARX outperforms state-of-the-art NARX model by orders of magnitude in efficiency while achieving higher accuracy in general. The probabilistic prediction capability of F2NARX is further demonstrated by combining it with active learning for first-passage probability estimation, showing its potential for reliability-oriented applications.

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:2610.02487v1cs.LG

임계값 인지 컨포멀 라우팅

Threshold-Aware Conformal Routing

고충실도 시뮬레이션은 과학 및 공학 설계에 필수적이지만 반복 실행 비용이 많이 들 수 있습니다. 학습된 대리 모델(surrogate)은 더 빠른 대안을 제공하지만, 상대적으로 높은 오차로 인해 다운스트림 의사결정이 바뀔 수 있습니다. 이러한 정확도와 속도 간의 절충으로 인해 대리 모델을 사용할 수 있는지, 아니면 완전한 시뮬레이터가 여전히 필요한지를 결정해야 하는 문제가 발생합니다. 본 연구에서는 관심 대상인 스칼라 수량이 고정된 임계값(threshold)의 상위 또는 하위에 위치하는지에 따라 결정되는 의사결정을 연구합니다. 각 입력에 대해 대리 모델의 컨포멀 구간(conformal interval)이 임계값의 한쪽에 완전히 위치할 때는 대리 모델을 사용하고, 구간이 임계값과 교차할 때는 입력을 시뮬레이션으로 라우팅합니다. 표준 컨포멀 예측은 다운스트림 의사결정 임계값을 고려하지 않고 구간을 구성합니다. 즉, 임계값 근처의 좁은 구간이라도 임계값을 가로질러 시뮬레이션을 트리거할 수 있는 반면, 멀리 떨어진 더 넓은 구간은 한쪽에 완전히 머물러 시뮬레이션을 요구하지 않을 수 있습니다. 이에 의사결정 경계 근처에 구간의 조밀함을 집중시키는 임계값 인지 목적 함수를 사용하여 입력 의존적 스케일을 학습하는 임계값 인지 컨포멀 라우팅(TACR)을 제안합니다. 홀드아웃 데이터에 대한 정확한 분할 컨포멀 보정(split-conformal calibration)은 분포 무관 한계 커버리지(distribution-free marginal coverage)를 보존하며, 이는 라우팅되지 않은 잘못된 임계값 결정 확률의 상한선 역할도 수행합니다. 다양한 과학 및 공학 데이터셋에서 TACR은 동일한 목표 커버리지에서 표준 컨포멀 예측 대비 시뮬레이터 위임(deferral)을 14-75% 감소시킵니다. 임계값 국소 가중치를 적용하지 않았으나 유사한 예측 정확도를 지닌 변형 모델과 비교했을 때, TACR은 4개 데이터셋에서 위임을 10-24% 추가로 줄입니다. 이러한 결과는 라우팅을 위한 구간 할당을 최적화함으로써 표준 컨포멀 보장을 약화시키지 않으면서도 시뮬레이터 호출을 줄일 수 있음을 보여줍니다.

arXiv:2610.02442v1cs.LG

AI 기반 열 인지형 데이터 센터 용량 계획

AI-driven Thermal-aware Data Center Capacity Planning

대규모 언어 모델(LLM)의 등장은 데이터 센터의 열 관리에 중대한 도전 과제를 안겨주었습니다. LLM을 위한 집중적인 GPU 연산은 국소적인 핫스팟(hotspot)을 발생시킵니다. 더욱이 학습(training) 및 추론(inference) 급증 시 발생하는 급격한 열 부하 변동은 실시간 냉각 대응을 예측하고 제어하기를 더욱 어렵게 만듭니다. 데이터 센터의 열 인지형(thermal-aware) 용량 계획에는 막대한 비용이 드는 고정밀 CFD 시뮬레이션이 다수 필요합니다. AI 모델은 이전에 보지 못한 설계에 대해서도 실시간 예측을 수행할 수 있습니다. 그러나 기존 연구들은 예측 오차가 크거나 데이터 센터 운영에 대해 지나치게 단순화된 가정을 두고 있습니다. 본 연구에서는 실제 데이터 센터를 대상으로 수 초 만에 열 인지형 용량 계획을 수행할 수 있는 AI 기반 프레임워크를 제시합니다. 내장된 AI 모델은 수많은 주요 파라미터(랙 전력, 서버 전력, 서버 배치, HVAC 설정 등)로부터 학습하며, 수 밀리초 이내에 온도 예측을 제공합니다. 이 AI 모델을 고정밀 CFD 시뮬레이션을 기준으로 검증한 결과, 보지 못한 새로운 데이터 센터 설계에 대해서도 10,000배의 속도 향상과 함께 높은 정확도를 달성할 수 있음을 보여줍니다. 저자들은 이 AI 모델을 바탕으로 열 인지형 용량 계획 프레임워크를 설계했습니다. 이 프레임워크는 데이터 센터 설계자와 운영자가 워크로드 분배와 HVAC 냉각 효율을 즉각적으로 최적화할 수 있도록 지원합니다.

arXiv:2610.02452v1cs.AI

Reinforcement Learning Techniques for the Optimization of Target Polarization in Nuclear Physics Scattering Experiments

The operation of dynamically polarized targets in nuclear physics experiments relies on continuous tuning of the microwave frequency to compensate for radiation damage and evolving material properties, a task that is traditionally performed through manual trial-and-error by expert operators. This work presents a data-driven control framework that combines surrogate modeling with reinforcement learning to optimize the target polarization. Using operational data from the APOLLO cryogenic target system, we train and evaluate multilayer perceptron and Gaussian process regression models to predict polarization as a function of microwave frequency, beam current, and accumulated radiation dose. We show that Gaussian process-based models provide calibrated uncertainty estimates and reliably identify regions outside the training distribution, while MLPs exhibit limited sensitivity to distributional shift. To enable learning and control across multiple target samples, we introduce a Gaussian process approximation and embed the surrogate model within a standardized simulation environment. A reinforcement learning agent is trained using a lower-confidence-bound reward formulation that balances performance maximization against uncertainty. We are able to show an almost 2x improvement on the operators actions utilizing our RL agent.

arXiv:2609.28116v1cs.LG

스크레이프오프 층(Scrape Off Layer) 플라즈마 시뮬레이션을 위한 확률적·기하 인지 신경망 대리 모델

Probabilistic and Geometry Aware Neural Surrogate of Scrape Off Layer Plasma Simulations

토카막 경계 플라즈마 시뮬레이션을 위한 고속 대리 모델(surrogate)은 일반적으로 전역 운전점(operating point)을 셀 값들의 평탄화된 벡터로 매핑하는 결정론적 회귀기이다. 디버터 탈부착(divertor detachment) 전이 근처에서는 정상 상태(steady state)가 단일 값으로 안정적으로 정해지지 않는다. 점 추정(point estimate)은 질적으로 서로 다른 플라즈마 상태들에 걸쳐 평균을 내야 하며, 신뢰도에 대한 어떠한 언급도 없이 결과를 내놓는다. 더욱이 평탄화된 벡터 표현은 SOLPS-ITER 메시의 기하학적 구조를 버린다. 본 연구는 이 두 가지 문제를 모두 다룬다. 우리는 곡선형(curvilinear) 메시를 셀 인접성을 보존하고 정확히 역변환되는 배치를 가진 세 개의 고정 크기 이미지 텐서로 펼쳐, 합성곱 신경망(convolutional network)이 정보 손실 없이 기하 구조 위에서 동작할 수 있도록 한다. 이후 민감도가 높은 시스템에 적합한 조건부 플로 매칭(conditional flow matching) 모델을 이 표현 위에서 학습한다. 그 결과 민감한 운전점에서도 여러 개의 그럴듯한 결과를 포착하는 효율적이고 확장 가능한 대리 모델을 얻는다. 가스 퍼프(gas-puff) 스캔을 따라, 예측 분포는 초기 레짐 전이(regime transition)를 지나면서 고온 모드와 저온 모드로 갈라진다. 크기가 알려진 분기(bifurcation)를 주입한 합성 데이터에 대한 추가 검증에서도, 모델이 두 분기의 평균이 아니라 두 분기를 각각 복원함을 확인한다.

arXiv:2609.27216v1cs.CE

KATOsuper: 민감도 일관 Fourier 신경 연산자 기반 대리 모델 가속 신경 토폴로지 최적화

KATOsuper: Surrogate-accelerated neural topology optimization with sensitivity-consistent Fourier neural operators

토폴로지 최적화(TO)는 각 반복마다 유한요소 해석(FEA) 평가를 반복해야 하므로 여전히 계산 비용이 크다. 신경망 기반 대리 모델은 가속 가능성을 제공하지만, 기존 접근법은 예측 목적함수와 민감도 사이의 그래디언트 불일치로 인해 최적화 불안정을 겪는 경우가 많다. 본 연구는 신경 재매개변수화 토폴로지 최적화와 민감도 일관 Fourier 신경 연산자(Sensitivity-Consistent Fourier Neural Operator, SC-FNO)를 결합한 목적함수 비의존 프레임워크 KATOsuper를 제안한다. 이 프레임워크는 forward_split 아키텍처를 사용하며, 예측된 목적함수 장에 대한 자동 미분을 통해 배포 민감도를 도출하여 예측 목적함수와 최적화에 사용되는 그래디언트 간의 일관성을 유지한다. 사례 연구에는 준수(compliance) 또는 응력 최소화를 다루는 2D 벤치마크 문제 3건과 3D 구조 3건이 포함된다. Fourier 위치 임베딩을 갖춘 물리 정보 다채널 입력 인코딩은 해상도 불변 학습을 가능하게 하여, 재학습 없이 학습 해상도를 넘어서는 제로샷 외삽을 지원하며, 중간 정도의 스케일링 계수에서는 유용한 성능을, 최대 64배까지는 토폴로지를 보존하는 탐험을 제공한다. 이 프레임워크는 학습 가능한 B-spline 활성화를 갖춘 새로운 KANConv3D 블록을 특징으로 하는 KATO3D를 통해 3D로 확장된다. KATOsuper는 MATLAB 기준 대비 배포 시간 15–110배 속도 향상을 보이면서 경쟁력 있는 최적성을 유지하며, 가장 뚜렷한 이득은 복잡한 3D 및 응력 최적화 사례에서 관찰된다. 민감도의 크기보다 방향이 더 중요하다는 통찰은 근사 물리 평가에서도 견고한 최적화를 가능하게 하며, 다른 미분 가능한 물리 기반 설계 목적함수로도 확장할 수 있다.

arXiv:2605.11280v2gr-qc

에이전트 AI를 통한 해석 가능한 서로게이트 발견: 중력파에의 적용

Discovery of Interpretable Surrogates via Agentic AI: Application to Gravitational Waves

비용이 큰 시뮬레이션을 위한 고속 서로게이트 모델은 이제 과학 전반에서 필수적이지만, 대개 블랙박스처럼 동작한다. 우리는 시뮬레이션 데이터로부터 직접 해석 가능한 해석적 서로게이트를 구축하는 대규모 언어 모델(LLM) 기반 워크플로인 \texttt{GWAgent}를 제안한다. 서로게이트 모델링은 각 반복마다 후보 모델을 ground-truth 시뮬레이션에 대해 정량적으로 검증할 수 있기 때문에 에이전트 워크플로에 잘 맞다. 시연으로, 우리는 이심 궤도 이중 블랙홀 병합의 중력파 파형에 대한 서로게이트를 구축한다. 에이전트에 물리 정보가 반영된 영역 ansatz를 제공하면 출력 모델 정확도가 크게 향상됨을 보인다. 결과적으로 얻은 해석적 서로게이트는 파형 평가에서 $\sim 8.4\times$ 속도 향상과 함께 Advanced LIGO mismatch의 중앙값 $6.9\times10^{-4}$를 달성하며, 기호 회귀(symbolic regression)와 기존 기계학습 베이스라인을 모두 능가한다. 정확한 모델을 만드는 것을 넘어, 이 워크플로는 학습된 표현으로부터 간결한 물리적 구조를 식별한다. 천체물리학적 응용으로, 우리는 \texttt{GWAgent}를 사용해 GW200129의 이심률을 분석하고 $e_{20\mathrm{Hz}}=0.099^{+0.063}_{-0.044}$를 추론한다. 이러한 결과는 검증 제약이 있는 에이전트 워크플로가 과학 시뮬레이션과 추론을 위한 정확하고 빠르며 해석 가능한 서로게이트를 만들 수 있음을 보여준다.

arXiv:2609.22329v1cs.NE

블랙박스 최적화에서 대리 모델로서의 인공 신경망

Artificial Neural Networks as Surrogate Models in Black Box Optimization

블랙박스 최적화(Black-Box Optimization, BBO)는 여러 공학 분야에서 흔히 적용되며, 수치 측정 및 시뮬레이션 기술의 발전을 활용할 수 있다. 이는 해석적 기술(analytical description)이 존재하지 않는 최적화 함수를 다룬다. 이 방법은 탐색 공간 내의 입력점과, 센서, 실험, 시뮬레이션 등 비해석적 수단을 통해 얻어진 해당 목적 함수 값의 쌍만을 필요로 하는 방법에 의존한다. 일반적인 접근법으로는 진화적 최적화(evolutionary optimization)와 기타 메타휴리스틱(metaheuristics)이 있다. BBO 방법은 목적 함수 값에만 의존하기 때문에 일반적으로 많은 평가(evaluation)를 필요로 하며, 이는 목적 함수를 평가하는 데 시간이 많이 걸리거나 비용이 많이 드는 경우 문제가 된다. 이로 인해 선택된 실제 목적값을 평가하고 탐색 공간 전체에 걸쳐 목적 함수를 근사하는 회귀 모델을 학습시키는 대리 기반 최적화(surrogate-based optimization)를 사용하게 된다. 대리 모델 지원 블랙박스 최적화는 소량 데이터 학습(small-data learning) 문제인데, 이는 옵티마이저가 제한된 평가로부터 비용이 큰 목적 함수를 근사해야 하기 때문이다. 대리 모델은 데이터 효율적인 회귀자(regressor) 역할을 하며, 제한된 평가 예산(evaluation budget) 하에서 유망하거나 정보성이 높은 지점으로 탐색을 유도한다. 본 논문에서는 목적 함수의 선택적 평가를 위해 인공 신경망을 사용하는 새로운 대리 모델인 적응적 충실도 넥서스 공분산 행렬 적응 진화 전략(Adaptive-Fidelity Nexus Covariance Matrix Adaptation Evolution Strategy, AFN-CMA-ES)을 제안한다. 실험 결과는 최신(state-of-the-art) 대리 모델 지원 BBO 방법들과 비교하여 경쟁력 있는 성능을 보여준다.

arXiv:2607.22704v1cs.CV

토카막 디버터에서 중성 입자 방출 단층촬영의 가시광선 영상 진단: 효율적인 트랜스포머 기반 대리 모델

Visible-Light Imaging Diagnosis of Neutral Particle Emission Tomography in the Tokamak Divertor: An Efficient Transformer-based Surrogate Model

최근 핵융합은 상당한 진전을 이루었으며, 글로벌 에너지 과제를 해결하는 가장 중요한 경로 중 하나가 될 것으로 기대된다. 본 논문은 가시광선 카메라를 이용해 플라즈마를 관측하고, 시공간적 운동 단서를 분석하며, 광 강도의 2차원 공간 분포를 예측하는 데 초점을 맞춘다. 이는 심층 신경망을 활용한 향후 과학 실험을 위한 기초 토대를 제공하는 것을 목표로 한다. 구체적으로, 우리는 미분 트랜스포머를 중심으로 한 새로운 백본 네트워크인 Delta-InvFormer를 제안한다. 핵심 통찰은 연속적인 비디오 프레임을 입력으로 사용하면 플라즈마의 역학을 더 잘 포착할 수 있다는 것이다. 또한 공간 및 시간 미분 셀프 어텐션(self-attention)은 노이즈 신호의 간섭을 효과적으로 완화하여 고품질 특징 추출을 보장한다. 이러한 특징은 이후 압축적이고 정보가 풍부한 표현으로 융합되며, 디코더 네트워크에 입력되어 분포를 예측한다. 대규모 과학 시설인 실험용 고온 초전도 토카막(Experimental Advanced Superconducting Tokamak, EAST)에서 수집한 실제 실험 데이터를 바탕으로, 제안된 모델이 분포 예측을 위한 전통적 방법을 상당히 가속할 뿐만 아니라 경쟁력 있는 재구성 정확도를 달성함을 보여준다. 본 논문의 소스 코드는 https://github.com/Event-AHU/OpenFusion 에서 공개될 예정이다.

arXiv:2607.20577v2cs.LG

리튬 이온 배터리 전극 스케일 방전 거동 예측을 위한 AI 기반 대리 모델

AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries

물리 기반 시뮬레이션은 리튬 이온 배터리(LIB)의 전극 스케일 방전 거동을 이해하는 데 필수적이지만, 계산 비용이 지나치게 높다는 한계가 있다. 이를 해결하기 위해, 우리는 체적 데이터로부터 시공간 방전 역학을 직접 예측하기 위해 Swin3D 트랜스포머에 기반한 새로운 심층 학습 대리 파이프라인을 제안한다. 우리 접근법은 두 가지 핵심 혁신을 통합한다: 전극 미세구조의 복잡한 기하학에 적응하여 공간 특징 표현을 향상시키는 가우시안 위치 인코딩(GPE), 그리고 비선형 시계열 진화를 포착하기 위한 특화된 시간 인코딩 모듈. 전기화학 시뮬레이션(ES) 데이터셋에 대한 실험적 검증 결과, 제안 파이프라인은 예측 정확도에서 최신(state-of-the-art) 포인트 클라우드 기준선을 크게 능가함을 보여준다. 또한 제안된 방법은 계산 오버헤드를 수 orders of magnitude만큼 줄여, 고처리량 배터리 설계 및 최적화를 위한 확장 가능하고 효율적인 프레임워크를 제공한다.

arXiv:2607.22280v1physics.flu-dyn

Neptuna: 복잡한 다상 유동 벤치마킹을 위한 포괄적 기계학습 프레임워크

Neptuna: A Comprehensive Machine Learning Framework for Benchmarking Complex Multiphase Flows

충격파와 물질 계면을 포함하는 압축성 다상 유동은 기포 붕괴(bubble collapse) 및 액적 파편화(droplet breakup)와 같은 응용에서 나타나며, 강한 비선형 상호작용이 복잡한 계면 변형, 혼합, 다중 스케일 동역학을 유발한다. 이러한 유동에 대한 신뢰할 수 있는 기계학습 서로게이트(surrogate) 모델 개발은 압축성, 급격한 불연속성, 다상 효과가 동시에 존재하기 때문에 여전히 어려운 과제이다. 본 연구에서는 충격파 구동 압축성 다상 유동을 위해 특별히 설계된 최초의 대규모 벤치마크를 제안한다. 이 벤치마크는 충격파 유도 기포 붕괴 및 액적 파편화를 포함하는 고정밀 2D 및 3D 데이터셋 2.4TB로 구성된다 \footnote{Dataset repo: https://huggingface.co/FluidVerse. Dataset sample videos, metadata.json, inference rollout plots from autoregressive rollout of the trained baselines are provided in the supplementary\_material.zip }. 우리는 벤치마킹 프레임워크 Neptuna \footnote{Benchmarking repo: https://anonymous.4open.science/r/neptuna-A4E3}에서 다양한 서로게이트 모델 계열을 평가한다. 여기에는 컨볼루션, 스펙트럴, 트랜스포머 기반, 사전학습된 PDE 파운데이션 모델이 포함된다. 표준 MSE 학습을 넘어, MSE와 Sobolev, 계면 인식(interface-aware), 구조 인식(structure-aware) 항을 결합한 복합 손실과 SoftAdapt 및 GradNorm을 이용한 적응적 손실 균형화를 조사한다. 평가에는 점별(pointwise), 스펙트럴, 특징 중심, 구조적, 물리 정보 기반(physics-informed) 지표가 포함된다. 결과는 단일 모델이 모든 데이터셋과 지표에서 최고 성능을 내지 못함을 보여주며, 복합 손실은 계면 보존과 스펙트럴 충실도를 크게 개선한다. 적응적 가중치 전략 중 SoftAdapt는 MSE 단독 학습 대비 거의 추가 비용 없이 가장 일관된 개선을 제공한다.

arXiv:2607.14321v1cs.CE

순환 신경망을 이용한 강자성 적층 코어 유한요소 시뮬레이션에서 히스테리시스와 와전류 고려

Accounting for Hysteresis and Eddy Currents in Finite Element Simulations of Ferromagnetic Laminated Cores using a Recurrent Neural Network

적층 코어 전기 기계의 유한요소 시뮬레이션에 히스테리시스와 와전류를 포함하는 것은 계산적으로 어렵다. 각 적분점과 모든 비선형 반복마다 적층 내부의 장을 해석하면, 히스테리시스를 무시한(anhysteretic) 시뮬레이션보다 계산 비용이 여러 차수 높아져, 이러한 접근법은 설계 적용에 비실용적이 된다. 반면, 자기 포화만을 고려하는 단순화 모델은 전기 기계의 토폴로지와 작동 조건이 복잡해질수록 점점 부적절해지고 있다. 이러한 맥락에서, 머신러닝 대리 모델링(surrogate modeling)은 복잡한 전자기 거동을 효율적이고 정확하게 근사할 수 있는 유망한 대안으로 떠올랐다. 본 논문에서는, 등방성 적층 코어에 대한 적층 코어 재료 모델의 대리 모델로 순환 신경망을 학습시키고, 이를 자기 벡터 퍼텐셜(magnetic vector potential) 공식화에 기반한 현실적인 2차원 자기역학(magnetodynamic) 유한요소 시뮬레이션에 통합한다. 제안 방법은 참조 적층 코어 모델과 매우 잘 일치하면서, 계산 비용을 히스테리시스를 무시한 시뮬레이션의 약 2배 수준으로 제한한다. 전기 기계 시뮬레이션에서 나타나는 자기장 시퀀스를 모방하도록 설계된 충분히 다양한 인공 생성 자기장 시퀀스로 순환 신경망을 학습함으로써, 제안 방법은 다양한 유한요소 시뮬레이션에 쉽게 적용할 수 있다. 또한, 학습된 대리 모델은 기존 계산 프레임워크에 쉽게 통합할 수 있는 독립형 구성 요소로 제공된다. https://gitlab.onelab.info/getdp/lamnet 에서 공개적으로 이용할 수 있다.

arXiv:2607.13688v1cs.LG

균사체 복합재의 등급 다중 스케일 최적화를 위한 미세구조 조건화 대리 모델

Microstructure-Conditioned Surrogate Models for Graded Multiscale Optimization of Mycelium Composites

새롭게 부상하는 지속가능 소재는 점점 더 설계된 계층 구조와 미세구조에 의존하여 그 특성과 기계적 거동을 제어하고 있다. 제어 가능한 미세구조를 갖는 이러한 소재를 최적화하려면 효율적인 다중 스케일 시뮬레이션이 필요하다. 미세 스케일에 대한 데이터 기반 대리 모델은 다중 스케일 시뮬레이션을 가속할 수 있지만, 고정된 미세구조 하나에 대해서도 대량의 데이터가 필요하다. 다중 스케일 최적화에서 그러한 것처럼 다양한 미세구조 범위를 고려할 때, 대리 모델을 학습하기 위해 훨씬 더 많은 데이터가 필요하다. 이 과제를 극복하기 위해, 우리는 하이퍼네트워크(hypernetwork)를 사용하여 하이브리드 물리-데이터 대리 모델을 미세구조 변수에 조건화한다. 이 접근법은 소규모 데이터셋으로 학습된 경우에도 균사체-목칩 복합 소재의 다중 스케일 기계적 거동을 정확하게 예측할 수 있게 한다. 조건화된 대리 모델은 기능적 등급 구조의 다중 스케일 시뮬레이션을 실현 가능하게 하며, 우리는 이를 완전한 FE^2 시뮬레이션과 대조하여 검증한다. 우리는 등급화된 다중 스케일 디스크를 최적화하고, 무작위 미세구조를 갖는 것과 비교하여 최대 응력을 42% 감소시켰다. 그다음 한 걸음 더 나아가, 미세구조에 복잡한 영향을 미칠 수 있는 제조 변수에 네트워크를 직접 조건화한다. 이는 원하는 거시 스케일 거동을 위해 미세 스케일을 설계하는 실용적인 경로이다. 본 연구는 미세구조 설계 구조의 이점을 강조하고, 조건화된 대리 모델이 어떻게 이들의 다중 스케일 최적화를 가능하게 하는지를 보여주며, 이는 미래의 지속가능 소재와 구조의 개발 및 설계를 가속할 것이다.

arXiv:2607.12570v1math.NA

다중 스케일 문제를 위한 LOD 방법의 심층 학습 기반 대리 모델링

Deep Learning-based Surrogate Modelling of the LOD Method for Multiscale Problems

다중 스케일 문제는 전통적 수치 방법으로 다루기가 특히 어려운 것으로 잘 알려져 있다. 미세 스케일 특성을 정확히 해상하기 위해서는 종종 지나치게 세밀한 이산화가 필요하기 때문이다. 이러한 문제는 재료 과학, 유체 역학, 기후 시스템, 화학 공정, 복잡 네트워크와 같은 응용에서 특히 두드러진다. 최근 신경 연산자(neural operator) 모델은 유망한 데이터 기반 대안을 제공하지만, 강하게 이질적이거나 진동성 계수가 있는 경우 충분한 정확도를 달성하는 데 자주 어려움을 겪는다. 본 연구에서는 거친 고대비 입력을 갖는 타원형 PDE의 해를 다룬다. 국소 직교 분해(Localized Orthogonal Decomposition, LOD) 방법은 이러한 문제를 위한 잘 정립된 수치적 접근이지만, 상당한 계산 비용이 따른다. 본 연구에서는 이러한 까다로운 다중 스케일 문제에 대해 널리 쓰이는 신경 연산자 아키텍처의 성능을 조사하고, 미세 스케일 구조를 해상하는 능력에서 핵심적 한계를 확인한다. 이러한 과제를 극복하기 위해 LOD-MSNO(LOD-Multiscale Neural Operator)를 제안한다. 이는 해를 문제에 적응된 기저 함수의 선형 결합으로 표현하는 LOD 방법의 표현을 바탕으로 LOD 방법을 강력한 다중 스케일 사전(prior)으로 활용하는 하이브리드 접근이며, 데이터 기반 연산자 학습을 통해 주요 계산 병목을 해소한다. 또한 제안한 계수 학습 프레임워크에 대한 이론적 오차 추정을 제공한다. 마지막으로, 제안 방법이 까다로운 다중 스케일 입력에 대해 정확도 측면에서 기존 신경 연산자 베이스라인을 능가할 잠재력을 보여 주며, 신경 연산자 모델의 계산 효율을 대체로 유지함을 입증한다.

arXiv:2607.12241v1eess.SY

인-컨텍스트 화이트닝을 통한 그래디언트-무관 전력 흐름 대리 모델의 토폴로지 적응

Gradient-Free Topology Adaptation for Power Flow Surrogates via In-Context Whitening

교류 전력 흐름(ACPF) 문제에 대한 머신러닝 기반 대리 모델은 고정된 네트워크에서 반복적인 해법 비용을 상각화하지만, 선로 고장으로 토폴로지가 바뀌면 정확도가 한두 자릿수만큼 떨어진다. 이러한 성능 저하는 연산자 이동(operator shift)에 기인한다. 변경된 어드미턴스 행렬이 입력-출력 사상을 바꾸므로, 동일한 입력이라도 다른 출력 분포를 낳는다. 기존 방법은 목표 토폴로지 데이터와 토폴로지별 그래디언트 단계로 이를 보정한다. 우리는 이 보정을 대신 통계적이고 그래디언트-무관하게 할 수 있는지 묻는다. 우리는 기본 토폴로지의 첫 두 모멘트로 출력 공간을 화이트닝하여 ACPF 대리 모델을 학습하고, 새 토폴로지에서 수백 개의 해법 사례로 그 화이트닝을 재추정함으로써 보이지 않은 N-1 또는 N-2 토폴로지에 적응하는 인-컨텍스트 화이트닝(ICW)을 제안한다. 이 적응은 그래디언트-무관하고, 가중치 갱신이 없으며, 아키텍처에 구애받지 않는다. 우리는 아핀 화이트너 중 물리적 출력 벡터의 좌표별 의미를 보존하는 유일한 선택이 ZCA 화이트닝임을 증명하므로, 효율적인 가역 보정 범위 내에서 두 모멘트면 충분하다. N-1 및 N-2 사고 조건에서 IEEE 30-, 118-, 300-버스 시스템 전반에 걸쳐 ICW는 고정된 대리 모델 대비 전체 오차를 6배에서 28배 줄이고(N-2에서는 물리량별로 최대 54배), 최악 버스의 전력 균형 불일치를 최대 30배 감소시키며, 세 가지 백본에서 일관된 이득을 보인다. 배포 규모에서는 그래디언트 기반 적응과 동등하거나 더 나은 정확도를 달성하면서 적응 속도는 21배에서 34배 빠르며, 비용은 사고마다 GPU 하나를 요구하기보다 상용 CPU 코어에서 병렬화된다.

arXiv:2607.11943v1cs.LG

BattVAE-GP: 불확실성 정량화를 통한 장기간 배터리 열화 생성 모델링

BattVAE-GP: Generative Modeling of Long-Horizon Battery Degradation with Uncertainty Quantification

장기간 배터리 열화에 대한 물리 기반 시뮬레이션은 기작적 통찰을 제공하지만 계산 비용이 높아, 장기 수명 동안 운전 조건을 촘촘히 탐험하는 데 활용이 제한된다. 여기서 우리는 보지 못한 충전 속도에서 리튬이온 배터리 열화 궤적의 대리 모델링을 위한 하이브리드 물리-확률적 학습 프레임워크를 제안한다. PyBaMM의 DFN/P2D 전기화학 모델로 생성된 사이클별 열화 데이터를 먼저 용량 정렬 전압 및 도함수 특징으로 변환한 뒤, 변분 오토인코더(VAE)를 사용해 인코딩한다. 그 결과 얻어진 2차원 잠재 공간은 사이클 진행과 충전 프로토콜 모두에 따라 열화 궤적을 정리한다. 그런 다음 희소 다중과제 가우시안 프로세스(GP)를 사이클 수와 C-rate를 입력 변수로 사용해 이 잠재 공간에서 학습하여, 잠재 열화 역학의 연속적 보간과 함께 사후 불확실성 추정치를 제공한다. 프로토콜 수준 홀드아웃 평가에서, 잠재 공간 GP는 보지 못한 C-rate 궤적을 정확히 복원하며 학습 데이터의 지지(support)와 일치하는 불확실성 거동을 보인다. 보지 못한 내부 C-rate에서 질의할 때, 모델은 인접한 시뮬레이션 프로토콜 사이에 일관되게 위치한 잠재 궤적을 생성한다. 고정된 VAE 디코더를 통해 GP가 예측한 잠재 상태를 디코딩하면 매끄러운 전압-용량 변화가 얻어지며, GP 잠재 사후를 보조 잠재→State of Health(SOH) 예측기에 몬테카를로 전파하면 불확실성을 반영한 SOH 추정치를 제공한다. 따라서 제안된 BattVAE-GP 프레임워크는 장기간 열화 모델링을 위한 계산적으로 효율적이고 불확실성을 반영한 대리 모델을 제공하며, 더 풍부한 운전 조건과 향후 시뮬레이션-실험 융합을 향한 배터리 건강 예측 확장을 위한 체계적 기반을 제공한다.

arXiv:2607.10896v1cs.AI

지오폴리머 혼합 설계의 서로게이트 기반 역설계를 위한 증분 트랜스포머

Incremental Transformer for Surrogate-Based Inverse Design of Geopolymer Mixtures

관측값이 이질적이고 혼합형이며 설계 변수 간 물리적 관계에 의해 제약될 때, 엔지니어링 인포매틱스에서의 소규모 데이터 역설계는 어려운 과제이다. 본 연구는 물리 제약 역설계를 위한 증분 트랜스포머(INCRT) 기반의 토폴로지 인식 서로게이트 프레임워크를 제안하며, 이를 지오폴리머 혼합 설계에 적용한다. 이 방법은 내재적 차원성 분석, 혼합 변수 설계 공간 표현, 테이블형 서로게이트 예측, INCRT 기반 매니폴드 합리화, 및 제약 역최적화를 통합한다. 압축 강도와 탄소 배출량을 목표로 하는 플라이애시 및 슬래그 기반 지오폴리머 콘크리트 혼합물의 공개 벤치마크를 사용하여, 고차원 설계 공간이 강한 중복성을 지니며 더 적은 수의 유효 혼합 체제를 중심으로 구성됨을 보인다. 압축 강도는 비선형 테이블형 서로게이트를 필요로 하는 반면, 탄소 배출량은 주로 조성에 의해 결정되며 정규화된 선형 모델로 잘 복원된다. 따라서 INCRT는 테이블형 예측기를 대체하는 것이 아니라, 역설계를 위한 프로토타입 체제와 매니폴드 지지 점수를 제공하는 합리화 층(layer)으로서 작동한다. 세 가지 전략이 비교된다: 비제약 서로게이트 최적화, 물리 제약 최적화, 및 토폴로지 인식 물리 제약 최적화. 비제약 최적화는 목표 강도를 달성할 수 있지만 물리적으로 유효하지 않거나 매니폴드를 벗어난 후보를 생성할 수 있으며, 물리 제약만으로는 데이터 지지를 항상 보장하지 않는다. 토폴로지 인식 전략은 목표 준수, 탄소 감소, 물리적 허용성, 및 학습된 실현 가능 매니폴드와의 근접성을 균형 있게 만족하는 후보를 도출한다. 이 프레임워크는 실험적 검증(validation)을 대체하는 것이 아니라, 소규모의 혼합형 물리 제약 엔지니어링 데이터셋에서 신뢰할 수 있는 후보 혼합물의 스크리닝을 지원하는 것을 목표로 한다.

arXiv:2607.10366v1cs.AI

Co4ICF: 관성 봉쇄 핵융합을 위한 물리 정보 기반 서로게이트와 강화학습 기반 펄스 옵티마이저의 공동 진화

Co4ICF: Co-evolving Physics-Informed Surrogate and RL-based Pulse Optimizer for Inertial Confinement Fusion

관성 봉쇄 핵융합(ICF)을 위해 오프라인 학습된 서로게이트들은, 반복적 옵티마이저가 입력을 분포 외(OOD) 영역으로 유도하여 예측이 신뢰할 수 없게 되는 잘 알려진 실패 양상을 겪는다. 본 논문에서는 물리 정보 기반 서로게이트와 PPO 기반 펄스 옵티마이저를 결합한 공동 진화 프레임워크인 Co4ICF를 제시한다. 서로게이트는 정책이 유도한 궤적 데이터로 반복적으로 미세조정되어 옵티마이저가 입력 분포를 이동시킴에 따라 발생하는 외삽 오류를 교정하며, 옵티마이저는 이 진화하는 서로게이트를 빠른 환경으로 쿼리한다. 1D MULTI 환경에서 Co4ICF는 현재 레이저 설계 기준선 대비 146.1%의 정규화 수율을 달성하였으며, 사후 교차 충실도 검증으로 최적화된 펄스는 어떠한 2D 학습이나 미세조정 없이 2D-MULTI에서 직접 평가 시 246.9%의 정규화 수율을 추가로 달성하였다. 예산 일치 절제 실험은 이러한 성능 향상이 추가적인 시뮬레이션 데이터만으로는 설명되지 않으며 공동 진화 메커니즘이 핵심 역할을 한다는 것과 일치함을 뒷받침한다. 향후 벤치마킹을 지원하기 위해 대규모 MULTI-IFE 시뮬레이션 데이터셋을 공개한다.