산업 시뮬레이션에서 신경망 대리모델의 분포 이동 적응을 위한 SIMSHIFT 벤치마크

초록

본 논문은 산업 현장에서 사용되는 네 개의 PDE 기반 시뮬레이션(열간 압연, 시트 메탈 성형, 전기 모터 설계, 히트싱크 설계)을 대상으로, 입력 파라미터만 제공되는 타깃 도메인에 대한 무지도 도메인 적응(Unsupervised Domain Adaptation, UDA) 기법을 적용한 벤치마크 데이터셋 SIMSHIFT와 평가 프레임워크를 제시한다. 최신 신경 연산자 모델에 대표적인 UDA 방법들을 확장·평가함으로써, 분포 이동 상황에서의 성능 저하 원인과 UDA의 잠재적 효과를 정량화하고, 모델 선택 전략의 중요성을 강조한다.

상세 분석

SIMSHIFT는 산업용 유한요소(FEM)와 CFD 시뮬레이터(Abaqus, HOTINT, OpenFOAM)에서 생성된 4개의 실제 공정 데이터를 포함한다. 각 데이터셋은 2D·3D 비정형 메쉬와 수천 개의 노드, 수백만 개의 샘플을 보유하며, 입력 파라미터(예: 슬래브 두께, 롤 간격, 마찰계수, 핀 수 등)와 출력 필드(플라스틱 변형, 응력, 온도 등)를 제공한다. 저자들은 파라미터 공간을 비중첩 영역으로 나누어 Source와 Target 도메인을 정의하고, 쉬움·보통·어려움 3단계의 분포 이동 난이도를 설계하였다. 난이도 평가는 Proxy A‑Distance(PAD)를 이용해 출력 필드 공간에서의 분포 차이를 정량화했으며, 이는 전통적인 입력 파라미터 거리보다 실제 전이 난이도를 더 잘 반영한다는 점을 실험적으로 입증한다.

UDA 방법으로는 대표적인 표본 재가중(weighting) 기반 기법과 적대적 학습 기반 도메인 정렬 기법을 신경 연산자(Neural Operator)와 조건부 인코더(ϕ) 구조에 통합하였다. 학습 과정은 두 개의 손실(L_recon, L_DA)을 동시에 최소화하며, L_DA는 Source와 Target의 잠재 표현을 정렬한다. 중요한 점은 타깃 도메인에 라벨이 없기 때문에 모델 선택이 필수적이라는 점이다. 저자들은 중요도 가중치, 최대 평균 차이(MMD), 도메인 혼합 신경망 등 다양한 무지도 모델 선택 전략을 비교했으며, 선택 전략에 따라 최종 성능 차이가 10% 이상 발생함을 확인했다.

실험 결과는 다음과 같다. 기본 신경 연산자(예: Fourier Neural Operator, Graph Neural Operator)는 쉬운 이동에서는 57% 정도의 상대 오차 증가에 그쳤지만, 어려운 이동에서는 30% 이상 급격히 악화된다. UDA를 적용한 모델은 특히 어려운 이동에서 평균 1215%의 오차 감소를 보였으며, 이는 기존 방법 대비 의미 있는 개선이다. 그러나 여전히 절대 오차가 산업 설계 기준(예: 열전달 저항 5% 이하)에는 미치지 못하는 경우가 다수 존재한다. 이는 현재 UDA 기법이 복잡한 비정형 메쉬와 고차원 출력 필드에 완전히 적합하지 않음을 시사한다.

또한, 저자들은 모델 선택 없이 단순히 가장 낮은 Source 손실을 가진 체크포인트를 선택할 경우, Target 도메인에서의 성능이 크게 저하되는 현상을 관찰했다. 반면, 무지도 검증 지표(예: Target 입력에 대한 엔트로피 최소화, 가상 라벨 기반 교차 검증)를 활용한 선택은 안정적인 성능을 유지한다. 이는 UDA 연구에서 모델 선택 메커니즘이 핵심적인 연구 과제로 부각될 필요가 있음을 강조한다.

마지막으로, SIMSHIFT 프레임워크는 새로운 시뮬레이션, 새로운 도메인 적응 알고리즘, 그리고 다양한 모델 선택 전략을 손쉽게 추가·평가할 수 있도록 모듈화되어 있다. 이는 향후 학계·산업계가 실제 엔지니어링 워크플로우에 적합한 신경망 대리모델을 개발하고 검증하는 데 중요한 기반이 될 것으로 기대된다.