분산형 에이전트 시뮬레이션을 통한 3D 형태 변형 학습

초록

DiffeoMorph는 SE(3)‑equivariant 그래프 신경망과 3D Zernike 다항식 기반 형태 매칭 손실을 결합한 전면 미분 가능 프레임워크이다. 에이전트 집단이 내부 상태와 주의 메커니즘을 통해 서로 상호작용하면서 목표 3D 형태로 스스로 변형하도록 학습한다. 회전 불변성을 확보하기 위해 내부 최적화 단계에서 단위 사원을 이용해 스펙트럼을 정렬하고, 암시적 미분을 통해 외부 파라미터에 대한 그래디언트를 효율적으로 계산한다. 실험은 단순 타원체부터 복잡한 비대칭 구조까지 다양한 형태를 최소한의 공간 단서만으로 생성함을 보여준다.

상세 분석

본 논문은 생물학적 형태 발생 현상을 인공적인 다중 에이전트 시스템에 적용하기 위한 두 가지 핵심 기술을 제시한다. 첫 번째는 에이전트 간의 상호작용을 SE(3)‑equivariant 그래프 신경망(GNN)으로 모델링한 점이다. 각 에이전트는 유전자를 의미하는 내부 상태 벡터와 극성(polarity) 벡터를 보유하고, 이들 간의 거리 d²ᵢⱼ, 극성 각도 θᵢⱼ, 그리고 유전자 표현 gᵢ, gⱼ를 입력으로 하는 메시지를 교환한다. 메시지는 주의(attention) 가중치 αᵢⱼ와 결합되어 힘(Fₓ, F_g, F_p)으로 변환되며, 이는 뉴럴 미분 방정식(NDE) 솔버를 통해 연속 시간에 통합된다. 이 구조는 회전 변환에 대해 완전한 불변성을 유지하면서도, 상대적인 방향 정보와 거리 정보를 동시에 활용해 복잡한 집단 역학을 학습한다는 장점을 가진다.

두 번째 핵심은 형태 매칭 손실이다. 기존의 Chamfer, Earth Mover’s Distance 등은 점‑점 대응이나 동일한 점 개수 가정에 의존해 회전 정렬이 필요했다. 저자들은 3D Zernike 다항식 전개를 이용해 점군을 연속적인 공간 분포로 변환하고, 그 스펙트럼(계수 cₙℓm)을 비교한다. Zernike 계수는 구형 영역의 고유함수이며, 회전은 Wigner‑D 행렬 Dℓ(q)로 표현되는 단위 사원 q에 의해 azimuthal 인덱스 m이 변환된다. 따라서 손실 Lₛₘ은 다음과 같이 정의된다.

1. 내부 최적화: q* = argmax_q ⟨Cᵉᵛᵒˡ, D(q)·Cᵗᵃʳᵍᵉᵗ⟩ (스펙트럼 겹침 최대화)
2. 외부 손실: Lₛₘ = ‖Cᵗᵃʳᵍᵉᵗ – D(q*)·Cᵉᵛᵒˡ‖₂²

이때 q를 구하는 과정은 폐쇄형 해가 없으므로 gradient descent로 해결한다. 중요한 점은 q에 대한 미분을 직접 역전파하는 대신 암시적 미분(implicit differentiation)을 적용해 ∂q*/∂w (w는 GNN 파라미터)를 효율적으로 얻는 것이다. 이는 내부 최적화가 수십 회 반복될 때 메모리와 시간 복잡도를 크게 낮춘다.

손실의 설계는 네 가지 요구조건을 동시에 만족한다. (1) 순열 불변성 – 점 순서에 무관, (2) 점 개수 강건성 – 밀도 차이가 있어도 동일하게 비교, (3) 완전한 SO(3) 회전 불변성 – 최적 회전 정렬 후 손실 계산, (4) 반사 민감성 – Zernike 스펙트럼의 부호를 보존해 좌우 비대칭을 구분한다. 기존 파워 스펙트럼이나 bispectrum은 회전 불변성을 위해 m에 대한 절댓값을 취해 반사 정보를 소멸시키는 반면, 본 방법은 전체 스펙트럼을 보존하고 정렬 단계에서만 회전을 보정한다.

실험에서는 (i) 스펙트럼 정렬 자체가 회전 불변성을 확보함을 확인하기 위해 점군을 직접 최적화했을 때 초기 회전이 보존되는지 검증했고, (ii) 다양한 형태(타원, 구, 복잡한 비대칭 구조)와 점 개수(밀집 3000점, 희소 800점)에서 손실이 Chamfer 등보다 빠른 수렴과 낮은 최종 오류를 보였으며, (iii) 전체 파이프라인을 통해 초기 구형 배치를 최소한의 유전자 신호만으로 목표 형태로 변형시키는 과정을 시연했다. 특히, 반사 민감성을 활용해 좌우 비대칭인 초승달 형태를 정확히 재현한 점이 주목할 만하다.

이러한 설계는 생물학적 세포 집단의 형태 발생을 모델링할 뿐 아니라, 로봇 스웜, 프로그래머블 매터, 그리고 분산 강화학습에서 목표 형태를 정의하고 학습하는 새로운 패러다임을 제공한다. 특히, 미분 가능한 형태 매칭 손실이 다른 물리 기반 시뮬레이션(예: 유체, 연성 물질)에도 적용 가능하다는 점은 향후 연구 방향을 넓힌다.