머신러닝과 그래픽 정역학을 활용한 데이터 기반 구조 형태 탐색

초록

본 연구는 구조 형태 탐색에 CEM(조합 평형 모델링)으로 생성한 방대한 평형 네트워크를 머신러닝 기반 SOM과 UMAP으로 시각·클러스터링하여 설계 공간을 효율적으로 확장하는 방법을 제시한다. 사례 연구를 통해 입력 파라미터와 형태 사이의 비선형 관계를 세 가지 클래스로 구분하고, 최소 데이터로 전체 해석 다양성을 파악할 수 있음을 입증한다.

상세 분석

이 논문은 구조 설계 단계에서 창의적 탐색을 가능하게 하는 데이터‑드리븐 파이프라인을 제안한다. 첫 번째 단계는 Combinatorial Equilibrium Modelling(CEM)을 이용해 지정된 토폴로지를 기반으로 수천 개의 평형 상태를 자동 생성하는 것이다. CEM은 각 노드와 멤버에 대한 힘과 모멘트를 균형시키는 수식적 프레임워크로, 입력 파라미터(예: 부재 길이, 강성, 외력 조건)를 변동시켜 무한에 가까운 해 공간을 탐색한다. 이때 생성된 네트워크는 좌표, 연결 관계, 내부 힘 등 고차원 특성 벡터로 표현된다.

두 번째 단계에서는 Self‑Organizing Map(SOM) 알고리즘을 적용해 고차원 데이터를 2차원 격자 형태의 ‘폼‑맵’으로 축소한다. SOM은 토폴로지 보존 학습을 통해 유사한 형태를 인접한 셀에 배치함으로써, 설계자에게 직관적인 클러스터 구조를 제공한다. 논문은 SOM 학습 파라미터(학습률, 이웃 반경)와 격자 크기를 실험적으로 최적화하여, 과도한 군집화와 과소 군집화 사이의 균형을 맞춘다.

세 번째 단계는 Uniform Manifold Approximation and Projection(UMAP)으로, SOM이 만든 이산 맵을 연속적인 저차원 매니폴드로 재구성한다. UMAP은 고차원 데이터의 국소 구조를 보존하면서 전역적인 거리 관계를 반영하므로, 해 공간의 전체 형태와 숨겨진 차원을 시각화하는 데 강력하다. 이를 통해 연구자는 파라미터 변화가 형태에 미치는 비선형 영향을 정량적으로 파악하고, 특정 파라미터 조합이 어떤 클러스터에 속하는지 예측한다.

사례 연구에서는 하나의 복합 트러스 토폴로지를 선택하고, 10개의 입력 파라미터를 무작위 샘플링해 5,000개의 평형 모델을 생성하였다. SOM 결과는 10×10 격자에 4개의 주요 클러스터가 형성되었으며, 각 클러스터는 형태의 굽힘 강도, 부재 배치, 응력 분포 등 물리적 특성에 따라 구분되었다. UMAP 시각화는 이 네 개 클러스터가 매니폴드 상에서 서로 다른 영역에 위치함을 보여주어, 파라미터 공간이 다중 모드 구조를 가짐을 확인한다. 특히, 비선형 상호작용을 나타내는 세 가지 클래스를 정의했는데, 이는 (1) 파라미터가 선형적으로 형태에 영향을 미치는 영역, (2) 임계값을 넘어 급격히 형태가 전이되는 영역, (3) 파라미터 조합에 따라 다중 해가 동시에 존재하는 복합 영역이다.

핵심 인사이트는 최소한의 데이터(수천 개)만으로도 전체 해 공간의 매니폴드를 파악할 수 있다는 점이다. 이는 전통적인 형태 탐색이 요구하는 수십만수백만 개 시뮬레이션 대비 12% 수준의 비용 절감으로 이어진다. 또한, 설계자는 SOM‑UMAP 매핑을 통해 원하는 형태 특성을 목표 파라미터 영역으로 역추적할 수 있어, 창의적 아이디어를 빠르게 프로토타이핑하고 검증할 수 있다. 마지막으로, 이 접근법은 그래픽 정역학과 머신러닝을 결합함으로써 구조 설계의 탐색적 사고를 데이터 기반 의사결정으로 전환하는 모델 케이스를 제공한다.