PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

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:2607.14652v1cs.LG

위상 최적화를 위한 궤적 인식 플로우 매칭

Trajectory-Aware Flow Matching for Topology Optimisation

위상 최적화(TO)는 반복적인 유한 요소 해석과 민감도 기반 재료 업데이트를 필요로 하는 경우가 많으며, 다양한 물리 및 설계 조건 하에서 여러 후보 설계가 필요할 때 비용이 많이 들 수 있다. 생성형 TO는 신속한 설계 탐험의 경로를 제공하지만, 기존 모델은 구조적 실현 가능성과 물리적 일관성을 유지하기 위해 적대적 학습, 긴 역 확산 샘pling, 또는 외부 가이던스에 의존할 수 있다. 본 연구는 조건부 위상 생성을 위한 플로우 매칭 기반 위상 최적화(FMTO) 프레임워크를 개발한다. 선형 FMTO는 먼저 가우시안 소스 필드와 BESO 기준 위상 사이를 보간하여 종점 기반 기준선으로 공식화한다. 기계적으로 의미 있는 중간 상태를 도입하기 위해, 체적 분율로 인덱싱된 BESO 상태를 사용하여 확률 경로와 목표 속도 필드를 구성하는 궤적 인식 FMTO 공식화를 제안한다. 이는 추론 시점의 최적화를 추가하지 않고 물리 가이드 최적화 이력을 생성형 플로우 학습에 통합한다. 경로-속도 불일치 분석을 통해 중간 정도의 궤적 가중치가 생성 안정성을 개선할 수 있는 이유를 설명하며, 과도한 가이던스는 학습된 수송을 과도하게 제약할 수 있음을 보여준다. 수치 예제는 FMTO가 확산 기반 기준선보다 훨씬 적은 샘pling 단계로 다양한 위상 후보를 생성하며, 컴플라이언스 관련 성능, 체적 분율 충족, 위상 충실도가 개선됨을 보여준다. 학습 데이터가 제한된 상황에서 궤적 인식 FMTO는 중간 정도의 궤적 가중치로 최고의 전반적 성능을 달성한다. 궤적 앵커 밀도 및 3차원 위상 생성에 대한 연구는 경로 설계의 영향과 2차원 문제를 넘어선 제안 프레임워크의 적용 가능성을 추가로 입증한다.

arXiv:2606.19921v1cs.AI

eCNNTO: 위상 최적화 가속화를 위한 높은 일반화성을 지닌 합성곱 신경망

eCNNTO: A Highly Generalizable ConvNet for Accelerating Topology Optimization

본 연구는 밀도 기반 위상 최적화(Topology Optimization, TO)를 가속화하기 위해 요소 기반 합성곱 신경망(Convolutional Neural Network, CNN)인 eCNNTO를 제안합니다. TO는 일반적으로 다수의 반복(iteration)을 거치며, 각 반복마다 유한 요소 해석이 수행되므로, 특히 고해상도 설계를 위해 조밀한 메쉬를 사용할 경우 효율성 병목이 발생합니다. 이러한 제한을 해결하기 위해 eCNNTO는 Kallioras et al. (2020)을 기반으로 제안되었습니다. 해당 연구에서는 각 요소의 초기 이력으로부터 준최적 밀도를 예측하도록 모든 요소에 대해 심층 신뢰 신경망(Deep Belief Network, DBN)을 학습시켜, 대다수의 반복을 건너뛰고 TO 절차를 획기적으로 가속화했습니다. 그러나 이 방법은 인접 요소 간의 공간적 상관관계가 부족하여 최종 구조에서 분리된 특징이 나타날 수 있습니다. 제안하는 방법은 이 문제를 해결하기 위해 잔차 연결(residual connections)이 포함된 CNN을 활용합니다. 여기에 더해 최적화 효율을 더욱 높이기 위해 새로운 학습 전략이 도입되었으며, 여기서 학습 데이터셋은 초기 이력이 아닌 최종 단계 밀도 이력으로 구성됩니다. 이러한 변화는 필요한 학습 데이터 크기를 줄이는 데에도 도움이 될 수 있습니다. eCNNTO는 학습에 작은 데이터셋만 필요하지만, 경계 조건, 하중 조건, 설계 영역 형상, 메쉬 해상도, 그리고 비설계 영역이 크게 다른 문제들로 일반화될 수 있습니다. 마지막으로, 2차원 및 3차원의 다양한 예제를 통해 eCNNTO의 일반화 능력과 효율성을 입증하였으며, 각각 최대 90%와 97%의 반복 횟수 감소를 달성했습니다.