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
한국어 초록
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.
원문 초록
Topology optimization (TO) remains computationally intensive due to repeated finite element analysis (FEA) evaluations required at each iteration. While neural network-based surrogates offer potential acceleration, existing approaches often suffer from gradient inconsistency between predicted objectives and sensitivities, leading to optimization instability. This work presents KATOsuper, an objective-agnostic framework that couples neural-reparameterized topology optimization with a Sensitivity-Consistent Fourier Neural Operator (SC-FNO). The framework employs the forward_split architecture, which derives deployed sensitivities via automatic differentiation through the predicted objective field and thereby preserves consistency between the predicted objective and the gradient used for optimization. The case studies include three 2D benchmark problems and three 3D structures considering compliance or stress minimization. A physics-informed multi-channel input encoding with Fourier position embedding enables resolution-invariant learning, supporting zero-shot extrapolation beyond the training resolution, with useful performance at moderate scaling factors and topology-preserving exploration at up to 64x without retraining. The framework extends to 3D through KATO3D, featuring novel KANConv3D blocks with learnable B-spline activations. KATOsuper demonstrates 15--110x deployment-time speedup over MATLAB baselines while maintaining competitive optimality, with the clearest gains observed in complex 3D and stress-optimization cases. The insight that sensitivity direction matters more than magnitude enables robust optimization even with approximate physics evaluation, extensible to other differentiable physics-driven design objectives.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2609.27216v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
Function-on-function nonlinear autoregressive model (F2NARX) for probabilistic surrogate modeling of stochastic dynamical systems
GAIA: Geometry-Adaptive Operator Learning for Forward and Inverse Problems
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.
회전 견고 신경 동역학을 위한 정확한 SO(3)-등변 등방성 커널
Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics
벡터값 편미분 방정식(PDE)을 위한 신경 대리 모델은 학습(training) 데이터에는 잘 적합될 수 있지만, 동일한 물리적 상태가 회전된 좌표계로 표현될 때 예측값이 달라질 수 있습니다. 본 연구에서는 불규칙하게 배치된 지점에서 관측되는 3차원 나비에-스토크스(Navier--Stokes) 동역학에서 이러한 문제를 조사합니다. 우리는 회전에 의해 변하지 않는 스칼라양과 데이터를 따라 함께 회전하는 벡터 방향으로부터 국소 상호작용을 구성하는 소형 그래프 모델인 불변 조건화 등방성 커널 신경 연산자(IKNO)를 소개합니다. 그 결과, 위치와 속도를 회전시키면 예측된 속도 변화도 정확히 동일한 방식으로 회전합니다. 모델 설계 후 고정된 홀드아웃 테스트 세트에서, 무제약 그래프 모델을 무작위로 회전된 예제로 학습시키면 좌표 의존성이 줄어들기는 하지만 완전히 제거되지는 않습니다. 반면, IKNO는 수치 정밀도(precision) 수준에서 일관성을 유지하며, 파라미터 수가 5.6배 적으면서도 일반적인 회전 인지 텐서(tensor) 장 네트워크(Tensor Field Network)의 예측 정확도와 일치하고 파라미터 수가 동일한 그래프 시뮬레이터보다 우수한 성능을 보입니다. 이러한 결과는 소형 PDE 특화 모델이 예측 정확도를 희생하지 않고도 좌표 의존성을 제거할 수 있음을 보여줍니다.
F$^3$NO: 교차 스케일 조건화를 결합한 주파수 분해 기반 유한 시간 유동 사상 신경 연산자
F$^3$NO: Frequency-Decomposed Finite-Time Flow-map Neural Operators with Cross-Scale Conditioning
신경 연산자(Neural operator)는 빠른 편미분방정식(PDE) 예측을 가능하게 하지만, 반복적인 예측은 오차를 누적시키며 미세 스케일 구조를 정확히 분해하고 해석하는 데 여전히 어려움이 있습니다. 본 연구에서는 업데이트된 저주파수 특징을 활용하여 고주파수 정보의 비선형 정제를 유도하는 주파수 분해 기반 유한 시간 유동 사상 신경 연산자(F$^3$NO)를 소개합니다. 각 층(layer) 내에서 이러한 교차 스케일 조건화는 전역적 스펙트럼 처리와 국소적 세부 정보 정제를 연결합니다. 제안된 모델(model)은 지정된 미래 시점의 상태를 직접 예측하며, 예측 간격에 따라 두 갈래(branch)의 기여도를 조절합니다. 더 긴 궤적에 대해서는 짧은 시간 분할 내 병렬 예측과 분할 간 순환 전파를 결합합니다. 5개의 PDE 벤치마크에 대한 실험을 통해 자기회귀 및 직접 예측 베이스라인 대비 향상된 예측 정확도를 입증합니다. 절제 연구(ablation study)에서는 주파수 분해 정제가 더 적은 파라미터로도 정확도를 향상시킬 수 있는 반면, 시간 분할의 이점은 공간 해상도와 동역학적 체제에 따라 달라짐을 보여줍니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.