arXiv:2609.36806v2 cs.AI

CANTO: AI 지원 엔지니어링을 위한 CAD 네이티브 트랜스포머 연산자

CANTO: CAD-Native Transformer Operators for AI-Aided Engineering

Daniel Leibovici, Nikola Borislavov Kovachki, Dawon Ahn, Ruben Ohana, Ira J. S. Shokar, Abouzar Ghasemi, Semih Akkurt, Rishikesh Ranade, Neil Ashton, Jan Kautz, Jean Kossaifi

제출 2026-09-29

저자 비고

arXiv Comments

25 pages, 11 figures, 15 tables

한국어 초록

자동차에서 항공기에 이르기까지 현대의 엔지니어링 시스템은 정밀하고 연속적인 파라메트릭 컴퓨터 지원 설계(CAD) 모델을 사용하여 설계됩니다. 수치 시뮬레이션을 통해 설계 변경 사항을 평가하려면 연속적인 형상을 격자화(meshing)해야 하는데, 이는 수작업 개입이 필요할 수 있고 계산 비용이 많이 들며 불안정한 경우가 많은 과정일 뿐만 아니라 연속적인 표현을 이산적인 근사치로 대체하게 됩니다. 대부분의 신경 대리 모델(neural surrogate)은 시뮬레이션을 가속하지만, 격자(mesh), 포인트 클라우드(point cloud), 복셀(voxel) 또는 기타 샘플링된 형상 근사치에 의존함으로써 이러한 표현 격차를 그대로 물려받습니다. 본 논문에서는 입력 형상을 격자화하지 않고 연속적인 CAD 형상에서 물리장(physical field)으로 직접 매핑하는 트랜스포머(transformer) 신경 연산자인 CANTO를 소개합니다. 저자들은 파라메트릭 패치(parametric patch)의 시퀀스를 통해 형상을 표현함으로써 기하학적 다양체(manifold)로부터 물리장의 함수 공간으로의 연산자를 학습하기 위한 이론적 프레임워크를 개발합니다. CANTO는 제어점, 매듭 벡터(knot vector), 가중치로부터 비균일 유리 B-스플라인(NURBS) 패치를 직접 토큰화하고, 임의의 쿼리 위치에서 연속적인 표면 및 체적 필드를 예측함으로써 이 프레임워크를 구현합니다. 저자들은 4개의 자동차 및 항공기 공기역학 산업 벤치마크인 AhmedML, WindsorML, DrivAerML, HiLiftAeroML에서 CANTO를 평가합니다. CANTO는 HiLiftAeroML에서 AB-UPT 대비 표면 압력 상대 $L_2$ 오차를 19.8% 감소시키는 등 평가된 대부분의 표면 및 체적 예측 태스크에서 최고 수준(state-of-the-art)의 정확도를 달성합니다. 나아가 CAD 파라미터에 대한 미분 가능성은 그래디언트(gradient) 기반의 역설계를 가능하게 합니다. AhmedML에서 CANTO는 동일한 부피 및 양력 제약 조건을 만족하는 데이터셋(dataset) 내 최적의 설계 대비 항력이 4.4~20.4% 낮은 설계를 식별하며, 이러한 개선 사항은 원래 데이터셋을 생성하는 데 사용된 것과 동일한 CFD 설정을 사용하여 검증되었습니다.

원문 초록

Modern engineering systems, from automobiles to aircraft, are designed by using precise, continuous parametric computer-aided design (CAD) models. Evaluating design changes through numerical simulation requires meshing the continuous geometry, a computationally expensive and often brittle process that can require manual intervention and replaces the continuous representation with a discrete approximation. Most neural surrogates accelerate the simulation, but inherit this representation gap by relying on meshes, point clouds, voxels, or other sampled approximations of geometry. We introduce CANTO, a transformer neural operator that maps directly from continuous CAD geometry to physical fields, without meshing the input geometry. We develop a theoretical framework for learning operators from geometric manifolds to function spaces of physical fields, representing geometry through sequences of parametric patches. CANTO instantiates this framework by directly tokenizing non-uniform rational B-spline (NURBS) patches from their control points, knot vectors, and weights, and predicts continuous surface and volume fields at arbitrary query locations. We evaluate CANTO on four automotive and aircraft aerodynamics industry benchmarks: AhmedML, WindsorML, DrivAerML, and HiLiftAeroML. CANTO achieves state-of-the-art accuracy on most evaluated surface and volume prediction tasks, including a 19.8% reduction in surface-pressure relative $L_2$ error compared with AB-UPT on HiLiftAeroML. Differentiability with respect to CAD parameters further enables gradient-based inverse design of designs. On AhmedML, CANTO identifies designs with 4.4 to 20.4% lower drag than the best dataset designs satisfying the same volume and lift constraints, with the improvements verified using the same CFD setup used to generate the original dataset.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.36806v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.15885v1cs.AI공통 태그 computational fluid dynamics

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:2610.10626v1cs.LG공통 태그 neural operator

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.

arXiv:2610.10998v1cs.LG공통 태그 neural operator

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.

arXiv:2609.31765v2cs.CV공통 태그 computational fluid dynamics

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:2609.36527v3cs.LG공통 태그 neural operator

SCOPE: 희소 PDE 추론을 위한 관측 조건화 전체 타겟 예측

SCOPE: Observation-Conditioned Full-Target Prediction for Sparse PDE Inference

희소 관측(sparse observation)으로부터 완전한 물리 필드(physical field)를 복원하는 것은 측정값이 기저 상태(underlying state)를 고유하게 결정하지 못할 수 있기 때문에 어려운 문제이다. 디퓨전 기반(diffusion-based) PDE 솔버는 반복적 샘플링(iterative sampling)을 통해 이 문제를 해결하는 반면, 신경 연산자(neural operator)는 결정론적인 단일 패스(one-pass) 예측을 제공한다. 우리는 전체 필드 잠재 예측(full-field latent prediction)과 물리적 복원(physical reconstruction)을 결합하여 희소 관측으로부터 완전한 PDE 필드를 복원하는 SCOPE(Sparse-Context Observability-aware Predictive Embeddings)를 제안한다. 공유 디코더(shared decoder)는 예측된 표현(representation)과 완전한 뷰(complete-view) 표현 양쪽 모두로부터 필드를 재구성하여, 표현 학습(representation learning)이 물리적 복원과 잠재 매칭(latent matching) 양쪽 모두에 의해 안내되도록 한다. 우리는 고정된 교사-디코더(teacher-decoder) 쌍에서의 2차 리스크 분해(quadratic risk decomposition)를 도출하여, 최적의 잠재 예측이 왜 반드시 최적의 필드 복원으로 이어지지는 않는지를 보인다. 또한 완전한 입력(complete input)에 대한 디코더 개선이 부분 관측으로부터의 복원으로 전이(transfer)되기 위한 충분조건(sufficient condition)을 확립한다. 다섯 가지 PDE 설정에 대한 실험 결과, SCOPE는 마스크 인지(mask-aware) 신경 연산자를 10개의 정방향(forward) 및 역방향(inverse) 과제 전체에서 능가하며, DiffusionPDE와 FunDPS를 포함한 디퓨전 기반 솔버에서 보고된 값보다 더 낮은 오차를 달성한다. 디코더만 적응(decoder-only adaptation)시키는 방식은 백본(backbone)을 재학습하지 않고도 복원을 추가로 개선하며, 결정론적 단일 패스 추론(deterministic single-pass inference)을 유지한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.