[논문 리뷰] Diffusion Model Driven Airfoil Design: From Geometry Encoding to Practical Applications

Yingfan Geng, Jinhong Wang외 1명|arXiv (Cornell University)|2026. 01. 20.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

논문은 EDM 프레임워크를 사용하여 3가지 기하학 인코딩(PCA, 순서 좌표, SDF)을 대상으로 2D 에어로foil 역설계에 대한 확산 모델을 체계적으로 평가하고, 다양한 흐름 조건에서 단일/다중 목표 설계 및 실용적 배치 인사이트를 제시한다.

ABSTRACT

Diffusion model, the state-of-the-art generative machine learning architecture, has shown promising results airfoil inverse designs. In this study, we implemented and trained a series of diffusion models on three different airfoil geometry data encoding formats -- principal component weights, ordered $x$-$y$ coordinates, and 2D signed distance functions (SDF) -- to generate 2D airfoils. By systematically comparing the performance of diffusion models trained on different data structures, it is found that for 2D airfoil design problems, the diffusion model performs the best when directly trained with coordinates. Training with latent space (PCA weights in this study) limits the model's design freedom, and decreases the training effectiveness. Although the 2D SDF data appears to result in the least performing model, it proves its feasibility in aerodynamic shape generation, paving the way towards 3D problems where SDF is more favored. This study also investigated deploying the diffusion model in practical engineering applications. A multi-target optimization procedure is proposed based on the stochastic nature of the diffusion process, which drastically simplifies the procedure compared to conventional methods. The extrapolation performance of the model is also investigated by tasking the model with both aerodynamic and flow condition labels that are extrapolated beyond the training set boundaries.

연구 동기 및 목표

• 전통적인 매개변수화 밖으로 설계 공간을 확장하기 위해 확산 기반 역설계를 도입하려는 동기 부여.
• 다양한 기하학 인코딩이 2D 에어로foil에 대한 확산 모델 성능에 미치는 영향을 비교.
• 광범위한 Re, Ma, AOA 조건을 다루는 조건부 확산 프레임워크를 개발·테스트.
• 현실적인 작동 제약 하에서 단일 목표 및 다중 목표 설계를 통한 실무 배치를 평가.

제안 방법

• 설명적 확산 모델(EDM) 백본 내에서 세 가지 명시적 기하 인코딩(PCA, 순서 좌표, SDF)을 평가.
• Ma, Re, AOA 및 공력 목표 C_L, C_D를 포함한 입력으로 조건부 확산 모델을 학습.
• EDM 프레임워크 내에서 ResNet 블록이 있는 U-Net 기반의 디노이저 사용 및 EDM에서 영감받은 노이즈 스케줄링을 통한 확산 샘플링 절차.
• 생성 가능성 평가, 목표 대비 RMSE 계산, 수렴하지 않는 CFD(XFOIL) 결과에 대한 설계 시도 효율성과 강건성 정량화.

실험 결과

연구 질문

• RQ1 PCA, 순서 좌표, SDF 표현이 정확도와 강건성 측면에서 확산 기반 2D 에어로foil 생성에 대해 어떻게 비교되는가?
• RQ2 Ma, Re, AOA, C_L, C_D로 조건화된 확산 모델이 주어진 허용 오차 내에서 목표를 충족하는 타당한 에어로foil을 생성할 수 있는가?
• RQ3 표적 단일 목표 대 다중 목표를 다룰 때 표현 방식 선택이 시도 횟수와 실행 가능성에 미치는 영향은 무엇인가?

주요 결과

데이터 형식	C_L RMSE	C_D RMSE	평균 시도	비실현 설계
PCA	3.1%	8%	61	0.13%
좌표	0.15%	7.5%	56	0%
SDF	2.9%	10%	78	0.67%

• 직접 좌표 확산이 단일 목표 생성에서 잠재공간 확산(PCA) 및 SDF보다 성능이 우수하다.
• 세 표현 모두 확산의 확률적 특성으로 인해 매끄럽고 실행 가능한 에어로foil 형상을 생성하고 다양한 설계가 가능하다.
• PCA 기반 확산은 C_L에 대해 3.1% RMSE, C_D에 대해 8% RMSE를 달성하며 평균 61회의 시도, 0.13%의 비실현 설계로 나타남; 좌표는 0.15% 및 7.5%로 56회의 시도, 0% 비실현; SDF는 2.9% 및 10%로 78회의 시도, 0.67% 비실현.
• 다중 목표 설계는 단일 목표 생성을 반복하고 필터링하여 보조 목표(예: 스톨 각도)를 만족시키는 방식으로 효율적으로 다양한 실현 가능 솔루션을 탐색하도록 지원한다.
• 이 접근법은 넓은 작동 조건 하에서의 강건성과 실행 가능성을 보여주며 표현 방식, 정확도, 설계 실행 가능성 간의 트레이드오프를 강조한다.