함수 공간 생성 모델로 구현하는 고성능 에어포일 설계

초록

본 연구는 항공기 날개 단면(에어포일) 설계의 근본적 문제를 해결하기 위해 ‘FuncGenFoil’이라는 새로운 함수 공간 생성 모델을 제안합니다. 기존 파라미터 기반 방법과 이산점 기반 방법의 장점(임의 해상도 샘플링, 강력한 표현력)을 결합하여 연속 함수 형태로 에어포일을 직접 생성 및 편집할 수 있습니다. AF-200K 데이터셋에서 기존 최고 모델 대비 라벨 오류를 74.4% 줄이고 다양성을 23.2% 향상시켰으며, 특정 점을 고정하거나 드래그하는 직관적인 편집 기능도 제공합니다.

상세 분석

FuncGenFoil의 핵심 기술적 혁신은 에어포일 기하학을 유한한 점 집합이 아닌, 무한한 차원의 연속 함수로 직접 모델링하는 함수 공간 생성 모델을 도입한 점에 있습니다. 이는 두 가지 주요 기존 방법론의 한계를 동시에 극복합니다. 첫째, Bézier 곡선이나 NURBS 같은 파라미터 모델은 수학적 smoothness와 임의 해상도 샘플링이 가능하지만, 사전 정의된 함수족에 국한되어 표현력의 상한이 제한됩니다. 둘째, VAE나 GAN, Diffusion Model 같은 이산점 생성 모델은 표현력은 높지만 생성되는 점의 수가 고정되어 해상도 유연성이 부족하고, 점들 사이의 연속성 같은 수학적 속성을 보장할 수 없습니다.

FuncGenFoil은 이러한 문제를 ‘Neural Operator’ 아키텍처와 ‘Flow Matching’ 생성 프레임워크를 결합하여 해결합니다. Neural Operator(특히 Fourier Neural Operator)는 함수를 입력과 출력으로 하는 신경망으로, 훈련과 추론 시 점의 개수나 위치에 무관하게 동작하는 ‘해상도 불변성’을 갖춥니다. Flow Matching은 데이터 분포에서 간단한 잠재 분포(예: 가우시안 프로세스)로의 변환 경로(flow)를 학습하는 생성 모델로, Diffusion Model의 개선된 대안입니다. 본 모델은 시간 t에 따른 잠재 함수 u_t에서 ‘속도 연산자(Velocity Operator)’ v_θ를 Neural Operator로 학습시켜, 이 흐름을 역으로 풀어내어(Gaussian Process에서 시작) 새로운 에어포일 함수 u_1을 생성합니다.

에어포일 편집 기능은 사후 최대확률(MAP) 추정을 통해 구현됩니다. 사용자가 원본 에어포일의 특정 부분(δ)을 수정하면, 먼저 생성 모델의 역변환을 통해 해당 에어포일의 잠재 코드를 추정합니다. 그 후, 수정된 부분(u_δ)과 새로 생성되는 에어포일(u’) 사이의 오차를 최소화하면서 동시에 생성 모델의 사전 분포 p(u’)를 최대화하는 방향으로 모델 파라미터와 잠재 코드를 소량의 미세 조정합니다. 이를 통해 기학적 제약을 정확히 준수하면서도 실제적인 에어포일 형태를 유지하는 편집이 가능해집니다. 이 접근법은 함수 공간 표현 덕분에 편집 지점을 임의의 위치에 자유롭게 지정할 수 있다는 강력한 장점을 제공합니다.