TopoCtrl 목표 구조 특성 제어를 위한 사후 최적화 토폴로지 편집

초록

TopoCtrl은 사전 학습된 토폴로지 기반 확산 모델의 잠재공간을 활용해, 기존 최적화 결과를 유지하면서 두께, 길이, 접합점 수 등 해석 가능한 구조 특성을 직접 조정할 수 있는 프레임워크이다. 부분 노이즈 주입 후 회귀 모델의 그래디언트를 가이드 신호로 사용해 역확산 과정을 제어함으로써, 이산·비연속 특성까지도 빠르고 안정적으로 목표값에 맞게 편집한다.

상세 분석

본 논문은 토폴로지 최적화 결과물에 대한 사후 편집(post‑optimization editing) 문제를 새로운 관점에서 접근한다. 기존 방법들은 추가 제약식 도입, 파라미터 튜닝, 혹은 전면 재최적화에 의존해 설계 의도를 보존하기 어려웠으며, 특히 접합점 수나 연결 멤버 수와 같이 이산적이고 비미분 가능한 특성은 전통적인 그래디언트 기반 최적화에 부적합했다. TopoCtrl은 이러한 한계를 극복하기 위해 두 가지 핵심 아이디어를 결합한다. 첫째, 대규모 최적화 토폴로지 데이터를 사전 학습한 “Optimized Any Topology”(OAT) 라는 잠재 확산 모델을 기반으로, 설계 공간을 고차원 잠재 텐서로 압축한다. 둘째, 잠재 공간에 대한 경량 회귀 모델을 학습시켜, 특정 구조 특성(예: 평균 두께, 최대 멤버 길이, 접합점 수 등)을 직접 예측하도록 한다.

편집 과정은 다음과 같다. (1) 목표 토폴로지를 OAT 인코더에 입력해 잠재 벡터 z₀를 얻는다. (2) 전체 노이즈가 아닌 부분 노이즈 zτ를 주입해 원본 정보의 일부를 보존하면서 자유도를 확보한다. (3) 역확산 단계에서, 회귀 모델 f(z)의 출력과 목표 특성 c* 사이의 차이를 손실로 정의하고, 그 그래디언트 ∇ₙf(z) 를 확산 업데이트에 가중치 λ 으로 곱해 가이드한다. 즉, “특성‑지향” 역확산이 수행되며, 이는 기존의 클래스‑프리 가이드와 유사하지만 목표값을 직접 최적화한다는 점에서 차별화된다. (4) 최종적으로 디코더를 통해 편집된 잠재 ẑ₀를 실제 토폴로지 이미지로 복원한다.

이 접근법의 장점은 다음과 같다.

• 특성 독립성: 회귀 모델만 교체하면 새로운 특성에도 동일한 파이프라인을 적용 가능하므로, 별도 미분식 유도나 제약식 설계가 필요 없다.
• 이산·비연속 특성 제어: 회귀 모델은 순수히 데이터‑드리븐이며, 출력이 연속값이더라도 손실을 통해 이산 목표(예: 접합점 수 = 12)와의 차이를 최소화한다.
• 인스턴스 보존: 부분 노이즈는 원본 토폴로지의 전반적 형태와 응력 흐름을 유지하면서, 필요한 부분만을 유연하게 변형한다. 실험 결과, 구조적 일관성 지표(예: 평균 응력, 변형 에너지)와 시각적 유사도(SSIM) 모두 기존 재최적화 대비 현저히 높은 값을 보였다.
• 경량성 및 효율성: 회귀 모델은 잠재 차원에 비해 매우 작은 파라미터 수(수천 개)만을 갖고, 역확산 과정에서도 몇 단계(≤20)만 수행하면 충분히 목표 특성에 도달한다. 이는 전통적인 토폴로지 재최적화(수백 회 반복)보다 수십 배 빠른 속도를 제공한다.

실험에서는 두께 조절, 최대 멤버 길이 제한, 접합점 수 증가·감소, 그리고 한 접합점에 연결된 멤버 수(밸런스) 제어 네 가지 과제를 선정하였다. 연속 특성(두께, 길이)에서는 목표값 오차가 2 % 이하로 수렴했으며, 이산 특성(접합점 수, 멤버 연결 수)에서는 목표값에 정확히 일치하거나 ±1 범위 내에서 만족하는 결과를 얻었다. 또한, 편집 전후의 구조적 성능(전역 강성, 질량 대비 강도) 저하가 5 % 미만에 머물러, 설계 의도와 물리적 효율성을 동시에 유지함을 입증했다.

한계점으로는 회귀 모델의 학습 데이터 품질에 크게 의존한다는 점과, 매우 극단적인 목표(예: 접합점 수를 50% 이상 감소)에서는 부분 노이즈 양을 조절하거나 추가적인 후처리 단계가 필요할 수 있다는 점을 언급한다. 향후 연구에서는 다중 특성 동시 최적화, 3D 토폴로지 확장, 그리고 물리‑인식 가이드(예: 응력 기반)와의 통합을 통해 더욱 강건한 편집 프레임워크를 구축하고자 한다.