무손실 주기 구조의 서로게이트 모델링을 위한 물리 제약 신경망
Physics-constrained neural networks for surrogate modeling of lossless periodic structures
한국어 초록
우리는 Jones 행렬 형태의 엄밀 결합파 분석(rigorous coupled-wave analysis, RCWA) 출력을 신속하게 예측하기 위한 물리 제약 신경망(PCNN)을 제안한다. 무손실 층상 주기 구조에서의 에너지 보존에서 출발하여, RCWA 출력이 Stiefel 다양체 위에 놓인다는 사실을 활용한다. 이 에너지 제약은 미분 가능한 대칭 직교화(differentiable symmetric orthogonalization)를 사용하여 다양체 위로 투영함으로써 강한 조건으로 강제된다. 그 결과 얻어진 서로게이트는 구조적으로 에너지 보존을 만족하면서 그래디언트 기반 역설계를 위한 미분 가능성을 유지한다. 제안 방법의 성능과 일반성은 증강현실 안경을 위한 회절 파동관 결합기(diffractive waveguide combiner)의 역설계를 통해 입증된다.
원문 초록
We introduce a physics-constrained neural network (PCNN) for the rapid prediction of rigorous coupled-wave analysis (RCWA) outputs in the form of Jones matrices. Starting from energy conservation in lossless layered periodic structures, we use the fact that RCWA outputs lie on a Stiefel manifold. This energy constraint is enforced as a hard condition by projecting onto the manifold using differentiable symmetric orthogonalization. The resulting surrogate enforces energy conservation by construction while preserving differentiability for gradient-based inverse design. The performance and generality of the proposed approach are demonstrated through the inverse design of a diffractive waveguide combiner for augmented reality glasses.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.28119v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
이중재료 시스템에서의 탄성동역학 파동 전파를 위한 물리 정보 신경망 프레임워크
A Physics-Informed Neural Network Framework for Elastodynamic Wave Propagation in Bimaterial Systems
물리 정보 신경망(PINN)은 학습 과정에 기저 물리 법칙을 직접 임베딩하면서 편미분 방정식을 풀기 위한 유망한 프레임워크를 제공한다. 본 연구는 축대칭 선형 탄성 방정식에 의해 지배되는 이중재료 시스템에서의 과도 탄성동역학 파동 전파를 모델링하기 위한 PINN 기반 프레임워크를 제시한다. 분리식 홉킨슨 압력봉(Split Hopkinson Pressure Bar) 구성을 대표하는 강철-알루미늄 시편을 고려하며, 탄성동역학 지배 방정식과 이에 대응하는 초기 조건, 경계 조건, 계면 조건을 물리 정보 손실 함수를 통해 신경망에 직접 통합한다. ANSYS Workbench Explicit Dynamics를 사용하여 수행된 고충실도 유한요소 시뮬레이션을 검증 및 학습 중 보조 데이터 제약 조건으로 활용한다. 제안된 프레임워크는 이중재료 계면에서의 파동 투과 및 반사를 정확하게 예측하고, 축방향·반경방향 변위 이력, 면 평균 응답, 지배적인 응력·변형률 변화를 유한요소 해와 높은 일치도로 재현한다. 학습된 신경망은 추가적인 유한요소 시뮬레이션 없이, 이전에 보지 못한 시간 순간 및 수정된 재료 물성에 대한 파동 응답 예측 능력을 추가로 입증하여 탄성동역학 해석을 위한 연속 대리 모델을 제공한다. 메시 민감도 연구는 수치적 견고성을 확인하며, 추가적인 재료 조합은 제안된 방법론의 일반성을 입증한다. 결과는 물리 정보 신경망과 명시적 유한요소 해석의 통합이 불균질 고체에서의 탄성동역학 파동 전파를 위한 정확하고 계산 효율적인 프레임워크를 제공함을 보여주며, 고속 고체 역학 및 충격 공학 응용을 위한 효과적인 대리 모델링 접근법을 제시한다.
Function-on-function nonlinear autoregressive model (F2NARX) for probabilistic surrogate modeling of stochastic dynamical systems
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.
특화 신경망 모델의 자동 튜닝을 위한 멀티 에이전트 대규모 언어 모델(LLM) 시스템
A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models
많은 머신러닝 접근법은 2단계로 이루어집니다. 즉, 전문가가 방법론 군을 선택하고, 해당 군 내에서 핵심 구성 요소의 선택이 결정적이지만 대개 수동으로 이루어집니다. 본 논문은 이러한 구성 요소의 자동 튜닝을 다루며, 서로 다른 성격의 모델 전반에 전이 가능한 프레임워크를 제안합니다. 이 멀티 에이전트 대규모 언어 모델(LLM) 프레임워크는 실험 로그 및 샌드박스 실행 환경과 함께 분석가(analyst), 코더(coder), 기록자(recorder)라는 세 가지 역할을 갖습니다. 전체 머신러닝 스크립트를 최적화하거나 이산적인 공간에서 아키텍처를 탐색하는 시스템과 달리, 이 프레임워크는 개방적이지만 의미적으로 좁은 공간에서 작동합니다. 즉, 에이전트는 전체 네트워크 구조는 변경하지 않은 채 지정된 구성 요소에 대해서만 코드를 생성합니다. 이 접근법은 상관 학습(correlation learning)을 적용한 분류 스파이킹 신경망(SNN) 튜닝과 물리 정보 기반 신경망(PINN)을 이용한 고계 미분방정식 풀이라는 두 가지 방향에서 검증됩니다. MNIST 및 Digits 데이터셋에서의 스파이킹 분류, 그리고 일반화된 비선형 슈뢰딩거 방정식(GNLSE) 및 쿠라모토-시바신스키(KS) 방정식에 대한 경계값 문제 등 총 5개 태스크에 걸쳐 에이전트는 베이스라인을 능가합니다. 분류 정확도는 MNIST에서 13%p, Digits에서 6%p 더 높았고, 해석적 단일 솔리톤 해에 대한 오차는 약 2491배 감소했습니다. 가우시안 섭동(Gaussian perturbation)이 있는 선정된 GNLSE 실행에서 불변량 보존 오차는 약 325배 감소했고 반복 초기화 전반의 평균으로는 100배 이상 감소했으며, 가우시안 섭동이 있는 KS 문제의 경우 질량 드리프트가 14배 감소했습니다. 따라서 이 프레임워크는 자체적인 내부 구조를 변경하지 않고도 서로 다른 성격의 태스크에서 핵심 구성 요소를 튜닝합니다.
이종 복합재 시뮬레이션을 위한 메쉬 기반 신경망 에너지 방법
A mesh-based neural energy method for the simulation of heterogeneous composites
이종 재료(heterogeneous material) 모델링은 deep energy method(DEM)와 같은 물리 정보 신경망(physics-informed neural network)에게 여전히 어려운 과제로 남아 있다. DEM과 그 변형들—여기서는 통칭하여 신경망 에너지 방법(neural energy method, NEM)이라 한다—은 미분 가능한 변분적(variational) 프레임워크를 제공한다. 그러나 이들의 기존 콜로케이션 기반(collocation-based) 구현(C-NEM)은 물리적으로 허용되지 않는 변위 진동(displacement oscillation), 적분 오차, 그리고 자동 미분(automatic differentiation)으로 인한 높은 계산 비용 문제를 자주 겪는다. 본 연구는 변위장(displacement field)의 메쉬 기반 이산화(discretization)를 통해 NEM을 확장한 메쉬 기반 신경망 에너지 방법(mesh-based neural energy method, M-NEM)을 소개한다. 형상 함수(shape function)를 통해 절점 변위(nodal displacement)를 보간함으로써, M-NEM은 진동을 억제하는 운동학적 제약(kinematic constraint)을 부과한다. 또한 이 방법은 변형률(strain) 계산을 위해 자동 미분을 대수적 형상 함수 도함수로 대체하고, 정확한 에너지 적분을 위해 고차 가우스 구적법(Gaussian quadrature)을 사용한다. 직접 비교 가능한 벤치마크 문제에서, M-NEM은 C-NEM 대비 응력 오차를 최대 3자릿수(order of magnitude)까지 줄이는 동시에 1~2자릿수 더 빠른 속도를 보인다. 극단적인 강성 대비(stiffness contrast)를 포함하는 추가 두 가지 벤치마크에서는 M-NEM만이 수렴한다. 신경망 아키텍처에 대한 비교 연구는 방사 기저 함수 신경망(radial basis function neural network, RBFNN)이 M-NEM 내에서 최적의 성능을 보이며, 무작위 푸리에 특징(random Fourier feature, RFF) 매핑을 사용한 다층 퍼셉트론(multi-layer perceptron, MLP)보다 재료 계면(material interface)에서의 급격한 그래디언트(gradient)를 더 높은 정확도로 해결하고, 콜모고로프-아놀드 네트워크(Kolmogorov-Arnold network, KAN)보다 더 빠르게 수렴함을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.