RePaint 기반 조건부 확산 모델을 이용한 파라메트릭 엔지니어링 설계 생성

초록

본 논문은 사전 학습된 성능‑가이드 DDPM에 RePaint 마스크‑리샘플링을 결합해, 부분 설계만 주어져도 성능 및 파라미터 제약을 만족하는 완전 설계를 재생성하는 프레임워크를 제안한다. 선체와 에어포일 두 사례에서 기존 모델 대비 재학습 없이 높은 정확도와 제어 가능한 신형 설계 생성을 입증한다.

상세 분석

본 연구는 기존 조건부 DDPM이 새로운 제약이나 부분 설계 입력에 대해 재학습이 필요하다는 한계를 RePaint 기법을 통해 극복한다는 점에서 혁신적이다. RePaint는 마스크‑기반 노이즈 추가·재샘플링을 이용해 알려진 영역을 유지하면서 미지 영역을 반복적으로 ‘페인팅’한다. 이를 DDPM의 역확산 과정에 삽입함으로써, 사전 학습된 모델의 파라미터와 성능 조건만을 변경해도 즉시 새로운 설계 제약을 적용할 수 있다.

핵심 기술은 다음과 같다. 첫째, 성능‑가이드 DDPM에 조건으로 목표 성능(예: 저항계수, 양항비)과 파라미터 마스크를 입력한다. 둘째, inference 단계에서 선택된 타임스텝(t)에서 알려진 파라미터 영역에 현재 노이즈 레벨을 맞추고, 나머지 영역은 기존 DDPM이 생성한 샘플을 사용한다. 셋째, 이 과정을 여러 번 반복해 마스크 경계에서의 불연속을 최소화한다. 이러한 절차는 기존 조건부 DDPM이 학습 단계에서 마스크 형태를 미리 알 필요가 없으므로, 설계자가 임의의 파라미터 조합을 자유롭게 고정하고 나머지를 자동으로 채울 수 있다.

실험에서는 45개 파라미터와 49개의 대수 제약을 갖는 Ship‑D 데이터셋(82,168개 선체)과 UIUC 에어포일 데이터셋을 사용했다. 두 데이터셋 모두 목표 성능(선체는 저항계수, 에어포일은 L/D 비)과 일부 파라미터를 고정한 상태에서 나머지를 RePaint‑cDDPM이 재생성하도록 설정하였다. 결과는 다음과 같다. (1) 재생성된 설계는 목표 성능 오차가 2~3% 이내로 기존 사전 학습 모델과 동등하거나 더 우수했다. (2) 마스크 영역을 다양하게 조절함으로써 설계의 ‘신규성’(novelty)을 정량적으로 제어할 수 있었으며, 이는 설계 탐색 단계에서 중요한 활용 가능성을 보여준다. (3) 재학습 없이 새로운 파라미터 제약을 적용했음에도 불구하고, 제약 위반률은 1% 미만으로 매우 낮았다.

한계점으로는 RePaint의 반복적 노이즈‑재샘플링 과정이 GAN 기반 실시간 생성에 비해 연산 비용이 크게 증가한다는 점이다. 논문에서는 이를 완화하기 위해 타임스텝 선택 전략과 반복 횟수 최소화를 제안했지만, 실시간 설계 보조 도구로의 적용에는 추가 최적화가 필요하다. 또한, 현재는 연속적인 파라미터 공간에 국한되며, 복합적인 다목적 최적화(예: 다중 목표)에는 별도의 성능 가이드 모듈이 요구된다.

전반적으로 본 연구는 “조건부 확산 모델 + 마스크 기반 RePaint”라는 새로운 조합을 통해, 사전 학습된 고성능 생성 모델을 재학습 없이 설계 제약에 맞게 즉시 재활용할 수 있는 실용적인 프레임워크를 제시한다. 이는 파라메트릭 엔지니어링 설계 분야에서 설계 탐색·보조·자동화의 효율성을 크게 향상시킬 잠재력을 가진다.