다중재료 다중물리 토폴로지 최적화를 위한 물리 정보 가우시안 프로세스 프레임워크

초록

본 논문은 물리‑정보 가우시안 프로세스(PIGP)를 이용해 다중재료·다중물리 토폴로지 최적화(TOP)를 동시에 해결하는 새로운 프레임워크를 제안한다. 설계 변수, 상태 변수, 그리고 어드조인트 변수를 각각 독립적인 GP 사전분포로 모델링하고, 평균 함수는 급격한 경계와 국부적 특성을 잘 포착하는 파라메트릭 그리드 컨볼루션 어텐션 네트워크(PGCAN)로 구현한다. 손실 함수는 목표 함수, 다중물리 포텐셜 에너지, 설계 제약을 모두 포함하며, 자동 미분과 커리큘럼 학습을 통해 효율적으로 최적화한다. 2D·3D 컴플라이언스, 열전도, 컴플라이언트 메커니즘, 열‑기계 결합 문제에 대해 기존 SIMP·PolyMat·COMSOL과 비교했을 때 높은 해상도와 날카로운 경계, 물리적으로 해석 가능한 물질 분포를 얻는다.

상세 분석

이 연구는 토폴로지 최적화 분야에서 기존의 ‘중첩 분석‑설계(NAND)’ 방식이 갖는 계산 비용과 비선형·다중물리 문제에 대한 취약성을 극복하고자 한다. 핵심 아이디어는 설계 변수(ρ), 기본 상태 변수(예: 변위 u, 온도 T) 및 어드조인트 변수(λ)를 각각 독립적인 가우시안 프로세스(GP) 사전분포로 표현하고, GP의 평균 함수를 심층 신경망으로 파라미터화한다는 점이다. 여기서 사용된 PGCAN 구조는 전통적인 MLP가 갖는 스펙트럼 바이어스를 완화하고, 급격한 물질 경계와 국부적 특성을 효과적으로 학습한다는 장점이 있다.

GP 커널은 디리클레 경계조건을 자동으로 만족하도록 설계되어, 설계·상태 공간이 물리적으로 허용된 영역에 제한된다. 커널의 하이퍼파라미터는 고정하고, 오직 평균 함수의 파라미터만을 학습함으로써 매 반복마다 대규모 커널 행렬의 역연산을 피한다. 이는 기존 GP 기반 최적화가 겪는 O(N³) 복잡도를 크게 낮춘다.

손실 함수는 세 부분으로 구성된다. 첫째, 목표 함수(예: 구조물의 전역 강성 최소화 혹은 열 전도 최소화)에 어드조인트 항을 추가해 민감도 정보를 내재한다. 둘째, 상태 변수와 어드조인트 변수 각각에 대한 변분 포텐셜 에너지(기계·열 에너지)를 포함해 물리적 일관성을 강제한다. 셋째, 질량·비용 제한과 같은 설계 제약을 적분 형태로 삽입한다. 이러한 손실은 연속적인 공간 적분을 필요로 하는데, 저자는 유한 요소(FE) 형태함수와 축소된 가우스 적분을 이용해 동적 콜로케이션 포인트 집합에서 효율적으로 근사한다. 결과적으로 메쉬 의존성을 최소화하면서도 정확한 물리량을 얻을 수 있다.

학습 과정은 역전파 기반 자동 미분과 커리큘럼 학습을 결합한다. 초기에는 낮은 해상도·낮은 물질 대비를 사용해 빠르게 전역적인 형태를 잡고, 점진적으로 콜로케이션 포인트와 네트워크 깊이를 늘려 고해상도·날카로운 경계로 수렴한다. 이 전략은 기존 딥러닝 기반 TO가 겪는 수렴 불안정성 및 회색 영역(gray zone) 문제를 크게 완화한다.

실험에서는 2D·3D 컴플라이언스 최소화, 열전도 최적화, 컴플라이언트 메커니즘 설계, 그리고 열‑기계 결합 설계 등 네 가지 베이스라인을 다중재료(최대 4종)와 단일재료 경우로 나누어 평가한다. 제안 방법은 기존 SIMP(연속형 페널티), PolyMat(다중재료 폴리노미얼 FE) 및 상용 COMSOL 솔버와 비교했을 때, 동일한 물리적 제약 하에서 더 높은 해상도와 명확한 물질 경계를 제공한다. 특히 열‑기계 결합 문제에서 온도·변위 연동을 동시에 최적화함으로써, 전통적인 순차적 접근법이 놓치는 상호작용 효과를 포착한다.

전반적으로 이 논문은 (1) GP와 딥러닝을 결합한 물리‑정보 사전분포, (2) 자동 미분 기반 변분 손실 설계, (3) 효율적인 콜로케이션 기반 적분 전략이라는 세 가지 혁신적 요소를 통해 다중재료·다중물리 토폴로지 최적화의 계산 효율성과 해석 가능성을 크게 향상시켰다.