다중정밀도 이중델타 윙 데이터셋과 GNN 기반 공기역학 필드 대체 모델의 경험적 스케일링 법칙

초록

본 연구는 이중델타 날개의 다중정밀도( VLM·RANS ) 유동 스냅샷 2,448개와 272개의 형상 데이터를 공개하고, 그래프 신경망(GNN) 기반 대체 모델(MF‑VortexNet)의 학습 데이터 규모와 예측 정확도 간의 관계를 경험적으로 분석한다. 데이터 양을 401,280개로 변동시키며 0.12.4 백만 파라미터 모델을 훈련한 결과, 테스트 오차는 데이터 규모에 대해 -0.6122의 지수법칙을 보이며 감소한다. 이를 통해 설계 차원 d당 약 8개의 샘플이 최적 샘플링 밀도임을 제시하고, 모델 규모가 클수록 데이터 활용 효율이 높아짐을 확인한다.

상세 분석

이 논문은 두 가지 주요 기여를 제공한다. 첫째, 이중델타 윙이라는 복합 형상에 대해 VLM(저정밀)과 RANS(고정밀) 두 해석기를 이용해 11°~19°의 공격각, 마하 0.3 조건에서 272개의 설계 변수를 Saltelli 샘플링으로 체계적으로 탐색한 다중정밀도 데이터셋을 구축하였다. 총 2,448개의 유동 스냅샷은 그래프 형태로 변환돼 GNN 입력으로 사용될 수 있도록 전처리되었으며, 샘플링 설계는 향후 차원 확장 및 분산 기반 민감도 분석을 지원하도록 중첩 구조를 갖는다.

둘째, 구축된 데이터셋을 활용해 MF‑VortexNet이라는 GNN 기반 필드 대체 모델의 데이터 규모와 모델 규모 간 스케일링 관계를 실증적으로 조사했다. 6개의 훈련 데이터셋(40, 80, 160, 320, 640, 1,280 샘플)과 5개의 파라미터 규모(0.1M, 0.3M, 0.6M, 1.2M, 2.4M) 조합을 고정된 훈련 예산 하에 학습시켰다. 결과는 테스트 평균 제곱오차(MSE)가 데이터 양 N에 대해 N^‑0.6122 형태의 파워‑법칙을 따름을 보여준다. 이 지수는 전통적인 학습 곡선(≈‑0.5)보다 더 급격히 개선되는 것으로, GNN이 복잡한 유동 필드를 효율적으로 학습한다는 증거다.

스케일링 법칙을 설계 차원 d에 적용하면, 최적 샘플링 밀도는 d당 약 8개의 샘플이 된다. 이는 고차원 설계 공간에서 균형 잡힌 데이터 생성 비용과 모델 학습 비용을 제시한다는 점에서 실용적이다. 또한 모델 파라미터 수가 증가할수록 동일 데이터 양에 대한 오차 감소율이 완화되지 않고 오히려 향상되는 현상이 관찰돼, 대규모 GNN이 데이터 활용 효율을 높여 비용‑성능 트레이드오프를 재조정할 가능성을 시사한다.

이러한 결과는 항공기·우주선 설계 단계에서 고정밀 CFD 시뮬레이션 비용을 크게 절감하면서도, 설계 변수 탐색과 최적화에 필요한 정확한 유동 필드 정보를 제공할 수 있는 기반을 마련한다. 특히, 공개된 다중정밀도 데이터셋은 연구 커뮤니티가 자체 모델을 검증·비교하거나, 전이학습·멀티태스크 학습 등 새로운 딥러닝 기법을 시험하는 데 유용한 벤치마크가 될 것이다.