가우시안 프로세스로 축소된 고유기반 모델링 및 최적화

** 본 논문은 파라메트릭 형상 최적화에서 고차원 CAD 파라미터가 시뮬레이션 비용을 크게 증가시키는 문제를 해결하고자, 형상 데이터를 고차원 매핑 후 고유형상 좌표계로 변환해 차원을 축소하고, 이를 기반으로 효율적인 베이지안 최적화를 수행하는 새로운 프레임워크를 제시한다. 1. **형상 매핑 및 데이터베이스 구축** - CAD 파라미터 x∈ℝᵈ (d≈50 이상) 를 φ(x) 로 매핑해 고차원 특징 공간 Φ⊂ℝᴰ 로 변환한다. φ는 특징함수(0/1), 서명거리, 혹은 윤곽점 분포 등 다양한 형태가 가능하며, D는 수백~수천 수준이다. - N≈5 000개의 설계 샘플을 무작위 혹은 사전 지식 기반으로 생성해 Φ 행렬을 만든다. 2. **PCA 기반 고유형상 좌표계** - Φ의 공분산 행렬 C에 대해 PCA를 수행해 고유벡터 V={v₁,…,v_D}와 고유값 λ₁≥…≥λ_D를 얻는다. - 각 설계는 α=Vᵀ(φ(x)−φ̄) 로 고유좌표 α∈ℝᴰ에 투사된다. α 공간은 실제 형상 변동을 몇 개의 주성분에 집중시켜 차원 축소가 가능함을 실험적으로 확인한다(예: 원형 구멍, NACA 에어포일 등). 3. **활성·비활성 차원 선택** - 정규화된 로그우도(maximum a posteriori) 최적화를 통해 α를 활성 차원 αᵃ와 비활성 차원 αᶦ로 구분한다. 활성 차원은 출력 f(x)와 높은 상관관계를 보이며, 비활성 차원은 상대적으로 무시해도 된다. - 선택된 활성 차원 수 δ는 누적 고유값 비율(예: 95%) 혹은 교차 검증을 통해 결정한다. 4. **이방성 가우시안 프로세스 서러게이트 모델** - 전체 모델 Y(α)=β+Yᵃ(αᵃ)+Yᶦ(αᶦ) 로 구성한다. - Yᵃ는 활성 차원마다 개별 스케일 파라미터를 갖는 이방성 커널(kᵃ)로 학습해 고해상도 예측을 제공한다. - Yᶦ는 등방성 커널(kᶦ)로 저해상도 근사만 수행해 계산 비용을 절감한다. - 정규화된 로그우도와 베이지안 최적화를 동시에 수행해 하이퍼파라미터와 차원 선택을 통합한다. 5. **베이지안 최적화와 무작위 임베딩** - 획득함수인 기대 개선(EI)을 활성 차원 αᵃ에만 적용해 후보 α⁎를 탐색한다. - 비활성 차원은 무작위 임베딩(random embedding) 기법을 사용해 샘플링한다(예: Gaussian random projection). - α⁎를 원래 CAD 파라미터 x로 되돌리는(pre‑image) 문제는 최적화 기반 근사(L‑BFGS) 혹은 최근접 이웃 검색을 통해 해결한다. - 새로운 (x, f(x)) 쌍을 GP에 추가하고, 예산이 소진될 때까지 반복한다. 6. **실험 및 결과** - 7개의 베이스라인(직접 CAD‑GP, PLS‑GP, 커널 PCA‑GP, 활성‑비활성 분리 없는 GP 등)과 비교해, 제한된 100~200 회 평가 예산에서도 제안 방법이 평균 최적값, 수렴 속도, 모델 안정성 측면에서 우수함을 입증한다. - 특히 비활성 차원을 완전히 배제하지 않고 저해상도 모델에 포함시킨 것이 과적합을 방지하고 예측 불확실성을 적절히 유지하는 데 기여한다. - 다양한 형상 매핑(특징함수, 서명거리, 윤곽점)과 물리 시뮬레이터(CFD, 구조 해석 등)에서도 적용 가능함을 시연한다. 7. **결론 및 향후 연구** - 고차원 CAD 파라미터를 직접 다루는 대신 형상 매핑 → 고유형상 좌표 → 차원 선택 → 이방성 GP → 베이지안 최적화라는 흐름이 제한된 예산에서도 효율적인 최적화를 가능하게 함을 확인하였다. - 향후 연구에서는 비선형 차원 축소(예: 커널 PCA, 오토인코더)와 결합하거나, 다목적 최적화(다중 목표) 상황에서의 확장, 그리고 실시간 설계 지원을 위한 GPU 가속 구현 등을 제안한다. **