3D 역설계의 새로운 지평 물리 인식 최적화 기반 3DID

초록

3DID는 연속적인 잠재 공간과 물리‑인식 최적화를 결합해, 3차원 공기역학 설계를 처음부터 고해상도 볼륨 형태로 생성한다. 전역 탐색을 위한 확산 샘플러와 위상 보존 정제 단계가 협업해 기존 2D‑투영 방식이나 기존 형태 미세조정 방식을 뛰어넘는 설계 품질과 다양성을 제공한다.

상세 분석

본 논문은 3차원 역설계 문제를 “물리‑기하학 임베딩”이라는 통합 잠재 공간에 매핑함으로써 근본적인 차원을 축소한다. 이 임베딩은 shape encoder와 CFD‑derived field encoder를 병렬로 학습해, 형상과 유동 정보를 동시에 압축한다는 점에서 기존의 형태‑전용 latent vector와 차별화된다. 두 단계 최적화는 첫 번째 단계에서 gradient‑guided diffusion sampler를 이용해 잠재 공간을 전역적으로 탐색한다는 혁신을 제시한다. 확산 모델은 사전 학습된 역전파 가능한 확률 흐름을 활용해, 목표 물리량(예: 항력 감소)과 연관된 방향으로 샘플을 유도한다. 두 번째 단계에서는 topology‑preserving refinement 네트워크가 미세 조정을 담당한다. 여기서는 라플라시안 정규화와 물리‑기반 손실(예: Navier‑Stokes residual)을 결합해, 설계가 물리적으로 일관되면서도 위상 구조를 유지하도록 한다. 실험 결과는 기존 2D‑투영 기반 GAN이나 shape‑fine‑tuning 방법에 비해 항력 감소율과 설계 다양성에서 현저히 우수함을 보여준다. 다만, 물리‑인식 손실 계산에 CFD 시뮬레이션을 반복 사용해야 하는 점은 계산 비용을 크게 증가시킨다. 향후 멀티‑피델리티 시뮬레이션이나 물리‑인식 surrogate 모델을 도입하면 효율성을 더욱 개선할 수 있을 것으로 기대된다.