생성 설계의 딥 컨셉 식별: VAE‑기반 클러스터링과 분류 모델을 활용한 설계 개념 구조화

초록

본 논문은 토폴로지 최적화를 이용해 생성된 다수의 설계 대안을 딥러닝 기반의 표현 학습과 클러스터링(VaDE)으로 개념화하고, 로지스틱 회귀 분류기로 설계 단계에 적용 가능한 개념 트리를 자동 생성하는 프레임워크를 제안한다. 2차원 교량 사례를 통해 개념 도출·시각화 과정을 검증하였다.

상세 분석

이 연구는 생성 설계에서 발생하는 “대량·다양성” 문제를 해결하기 위해 ‘딥 컨셉 식별(Deep Concept Identification)’이라는 새로운 패러다임을 제시한다. 기존의 클러스터링은 고차원 픽셀·볼륨 형태를 직접 비교하면 유클리드 거리 등 전통적 유사도 측정이 의미를 상실한다는 한계가 있었으며, 설계자는 직관적으로 적절한 특징을 추출하기 어려웠다. 저자는 이러한 문제를 딥러닝의 자동 표현 학습 능력에 의존한다. 구체적으로, 변분 오토인코더와 가우시안 혼합 모델을 결합한 Variational Deep Embedding(VaDE)을 사용해 설계 대안을 저차원 잠재 공간에 매핑한다. VaDE는 입력 형태를 압축하면서 동시에 각 데이터 포인트가 어느 가우시안 컴포넌트(클러스터)에 속하는지를 확률적으로 추정한다. 따라서 고차원 형태 데이터가 의미 있는 클러스터 구조를 갖는 잠재 벡터로 변환된다.

클러스터링 단계에서 얻어진 라벨은 설계 개념의 초벌 구분으로 활용되며, 이후 로지스틱 회귀 분류기를 학습시켜 새로운 설계 대안이 어느 개념에 속하는지를 빠르게 예측한다. 분류 모델은 해석이 용이하고, 설계자가 ‘관심 개념 수’를 조절함으로써 의도적인 시각 수준(viewing aspect level)을 설정할 수 있게 한다. 최종적으로는 개념 간 관계를 의사결정 트리 형태로 시각화하여, 설계 초기 단계에서 요구되는 ‘다양성 탐색 → 개념 정리 → 선택’ 흐름을 지원한다.

핵심 기여는 다음과 같다. 첫째, 고차원 형태 데이터를 자동으로 저차원 의미 공간으로 변환하는 딥러닝 기반 파이프라인을 설계·적용했다. 둘째, VaDE를 통해 클러스터링과 생성 모델을 동시에 수행함으로써, 클러스터 내부 구조와 전체 설계 공간의 분포를 동시에 파악한다. 셋째, 분류 모델과 트리 시각화를 결합해 설계자가 직관적으로 개념을 탐색하고, 필요에 따라 개념 수를 조정할 수 있는 인터페이스를 제공한다.

하지만 몇 가지 한계도 존재한다. 개념 수를 사전에 지정해야 하는 점은 설계자의 주관적 판단에 의존한다는 점에서 완전 자동화와는 거리가 있다. 또한 실험은 2차원 교량이라는 단순 사례에 국한돼 있어, 3차원 복합 구조나 다중 물리 현상(예: 열·유동 연계)으로 확장할 때의 성능 및 해석 가능성은 추가 검증이 필요하다. VaDE의 학습 안정성, 특히 가우시안 컴포넌트 수가 많아질 경우 발생하는 모드 붕괴 현상도 고려해야 한다. 마지막으로, 로지스틱 회귀는 선형 분류기에 불과하므로, 개념 간 비선형 경계가 존재할 경우 더 복잡한 분류기(예: 신경망, 서포트 벡터 머신)로 대체할 여지가 있다.

전반적으로 이 논문은 생성 설계와 딥러닝을 연결하는 실용적인 프레임워크를 제시함으로써, 설계 초기 단계에서 ‘다양성 → 구조화 → 선택’의 흐름을 데이터‑주도적으로 지원한다는 점에서 학술적·산업적 의의가 크다.