[논문 리뷰] Geodesic Convolutional Shape Optimization

Pierre Baqué, Edoardo Remelli외 2명|arXiv (Cornell University)|2018. 02. 12.

Advanced Numerical Analysis Techniques인용 수 26

한 줄 요약

이 논문은 빠르고 정확한 항공기 형상 최적화를 위한 지오데식 컨volution 신경망(GCNN)-기반 서rogate 모델을 제안한다. 다면체 매핑을 사용해 3차원 표면을 리메시하여, 효율적인 GPU 가속 추론과 미분 가능한 최적화를 가능하게 하며, 2차원 나이카 날개형에서 최신 기술인 가우시안 프로세스 방법보다 5–20% 우수한 성능을 보이고, 기존의 전통적인 매개변수 기반 접근 방식으로는 다루기 어려웠던 복잡한 3차원 자동차 형상 최적화도 가능하게 한다.

ABSTRACT

Aerodynamic shape optimization has many industrial applications. Existing methods, however, are so computationally demanding that typical engineering practices are to either simply try a limited number of hand-designed shapes or restrict oneself to shapes that can be parameterized using only few degrees of freedom. In this work, we introduce a new way to optimize complex shapes fast and accurately. To this end, we train Geodesic Convolutional Neural Networks to emulate a fluidynamics simulator. The key to making this approach practical is remeshing the original shape using a polycube map, which makes it possible to perform the computations on GPUs instead of CPUs. The neural net is then used to formulate an objective function that is differentiable with respect to the shape parameters, which can then be optimized using a gradient-based technique. This outperforms state- of-the-art methods by 5 to 20% for standard problems and, even more importantly, our approach applies to cases that previous methods cannot handle.

연구 동기 및 목표

• 기존의 CFD 기반 항공기 형상 최적화에서 발생하는 계산적 병목 현상을 해결하기 위해, 각 형상 변화에 대해 비용이 많이 드는 재시뮬레이션을 요구하는 문제를 해결한다.
• 저차원의 수작업으로 만든 매개변수화에 의존하지 않고, 복잡한 3차원 형상을 기반으로 기울기 기반 최적화를 가능하게 한다.
• 학습 중에 볼 수 없었던 다양한 형상 기하학적 구조로 일반화할 수 있는 서rogate 모델을 개발한다.
• 다면체 매핑을 통한 GPU 효율적 계산을 통해 딥러닝 기반 형상 최적화를 실용적으로 만들기 위해, 임의의 메쉬에서 효율적인 GPU 계산을 가능하게 한다.

제안 방법

• CFD 시뮬레이션(예: Ansys Fluent)을 기준값으로 사용해, 3차원 표면 메쉬에서 항공역학적 힘(예: 항력, 압력)을 예측하는 지오데식 컨volution 신경망(GCNN)을 훈련한다.
• 다면체 매핑을 사용해 원본 형상을 리메시하여, 불규칙한 메쉬를 GPU에서 효율적인 GCNN 연산에 적합한 구조적 격자로 변환한다.
• 역전파를 통해 훈련된 GCNN을 통해 정점 위치의 함수로 기울기 기반 목적 함수(예: 항력 최소화)를 기울기 기반 최적화 가능하게 한다.
• GCNN에 의해 근사된 목적 함수를 기반으로 기울기 기반 최적화(예: L-BFGS)를 수행해 형상 공간을 효율적으로 탐색한다.
• 소규모 실세계 형상(예: 자동차 CAD 모델)에 대해 미세조정을 통해 전이 학습을 활용해 일반화 능력을 향상시킨다.
• 21개의 매개변수를 가진 변형 함수 fC를 사용해 다양한 훈련 형상을 생성하여, 예상치 못한 기하학적 형태로의 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 합성적이고 자동차와 비슷하지 않은 형상에서 훈련된 GCNN 서rogate 모델이 실세계 3차원 자동차 기하학에서 항공역학적 성능을 예측하는 데 일반화 가능한가?
• RQ2 GCNN 기반 최적화가 정확도와 수렴 속도 측면에서 기존의 가우시안 프로세스(Kriging) 방법보다 얼마나 뛰어나게 성능을 냈는가?
• RQ3 제안된 방법이 기존의 매개변수 기반 방법으로는 실현 불가능한 고차원 자유도를 가진 복잡한 3차원 형상을 최적화할 수 있는가?
• RQ4 다면체 리메시가 임의의 3차원 메쉬에서 GCNN 추론을 GPU 가속으로 가능하게 하여 실용적인 최적화에 얼마나 효과적인가?
• RQ5 소수의 실세계 예시에 대해 GCNN을 미세조정하면, 다시 시작하지 않고도 목표 기하학에서 성능 향상이 상당히 이루어지는가?

주요 결과

• GCNN 기반 방법은 합성 테스트 형상(SYNT-TEST)에서 77.2%의 회귀 정확도를 달성하여 표준 CNN보다 뛰어나며, 분포 이탈에 대한 강건성도 입증했다.
• 실제 자동차 형상(CARS-TEST)에서는 합성 데이터에서의 사전 훈련 후 51.5%의 정확도를 기록했고, 실세계 자동차 예시에서의 미세조정 후 70.3%로 향상되었다.
• 2차원 NACA 날개형 최적화에서 GCNN 방법은 최신 기술인 GP 기반 접근 방식보다 항력 감소율이 5–20% 더 뛰어나 최적화 성능이 뛰어나다는 것을 입증했다.
• GCNN 기반 최적화는 자동차를 한 번도 본 적이 없음에도 불구하고, 단 50회의 시뮬레이터 호출만으로 GP 방법보다 더 우수한 항력 최소화 형상을 찾았다.
• 기하학적 제약(예: 승객실 및 엔진실)이 있는 3차원 자동차 유사 형상 최적화에서도 성공적으로 적용되었으며, 100회의 시뮬레이션 후 항력 계수 4.71을 달성했고, GP 온라인 방법(100회 호출 시 항력 계수 12.56)보다 훨씬 뛰어난 성능을 보였다.
• 다면체 리메시의 사용은 GPU에서 GCNN 추론을 효율적으로 가능하게 하여, 기존 메쉬 컨볼루션 방식이 비용이 너무 많이 드는 곳에서도 실용적인 접근이 가능하게 했다.