[논문 리뷰] Towards Goal, Feasibility, and Diversity-Oriented Deep Generative Models in Design

Lyle Regenwetter, Faez Ahmed|arXiv (Cornell University)|2022. 06. 14.

BIM and Construction Integration인용 수 6

한 줄 요약

이 논문은 설계 성능, 실현 가능성, 다양성, 목표 만족도를 종합적으로 최적화하는 새로운 딥 생성 모델인 PaDGAN과 설계 목표 달성 지수(DTAI)를 소개한다. 기울기 가능(Differentiable)한 DTAI 손실과 보조 실현 가능성 분류기의 통합을 통해, 복잡한 자전거 프레임 설계 과제에서 69.8%의 목표 성공률과 95.9%의 실현 가능성 비율을 달성하였으며, 여덟 가지 지표에서 최신 기술보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

Deep Generative Machine Learning Models (DGMs) have been growing in popularity across the design community thanks to their ability to learn and mimic complex data distributions. DGMs are conventionally trained to minimize statistical divergence between the distribution over generated data and distribution over the dataset on which they are trained. While sufficient for the task of generating "realistic" fake data, this objective is typically insufficient for design synthesis tasks. Instead, design problems typically call for adherence to design requirements, such as performance targets and constraints. Advancing DGMs in engineering design requires new training objectives which promote engineering design objectives. In this paper, we present the first Deep Generative Model that simultaneously optimizes for performance, feasibility, diversity, and target achievement. We benchmark performance of the proposed method against several Deep Generative Models over eight evaluation metrics that focus on feasibility, diversity, and satisfaction of design performance targets. Methods are tested on a challenging multi-objective bicycle frame design problem with skewed, multimodal data of different datatypes. The proposed framework was found to outperform all Deep Generative Models in six of eight metrics.

연구 동기 및 목표

• 딥 생성 모델(DGM)이 통상적으로 통계적 유사성에 집중하는 데 반해 설계 특화 목표인 성능, 실현 가능성, 목표 이행성 등을 고려하지 않는 점에서 발생하는 격차를 해소하기 위해.
• 디자이너가 설정한 다목적 성능 목표를 우선시하고, 이를 충족하거나 초월할 수 있도록 DGM의 학습 목표를 개발하기 위해.
• 기존 DGM이 데이터 분포 유사성에만 집중하는 데 반해, 실현 가능성, 다양성, 목표 달성을 동시에 최적화함으로써 그 한계를 극복하기 위해.
• 엔지니어링 설계 합성에 관련된 체계적인 지표를 사용하여 제안된 프레임워크를 최신 기술 기반 DGM과 비교 평가하기 위해.
• 성능, 실현 가능성, 다양성을 하나의 기울기 가능 학습 목표에 통합함으로써 데이터 기반 설계 생성 분야에서 새로운 최고 기준을 설정하기 위해.

제안 방법

• 다중 목표 성능 목표를 초월하는 정도를 정량화하는 데 사용할 수 있는 기울기 가능 손실 함수인 설계 목표 달성 지수(DTAI)를 제안한다.
• DTAI를 성능 강화 다각도 GAN(PaDGAN) 프레임워크에 통합하여 성능, 다양성, 목표 달성을 동시에 최적화한다.
• 생성자(generator)가 실현 가능한 설계를 생성하도록 이끄는 보조 기하학적 실현 가능성 분류기를 통합함으로써, 생성된 설계의 실현 가능성 비율을 향상시킨다.
• 최종 손실 함수에서 다양성과 성능의 균형을 맞추기 위해 결정형 점 과정(Determinantal Point Process, DPP)을 활용하여, 생성된 설계가 높은 성능을 기록하면서도 다양한 형태를 갖도록 보장한다.
• 생성자에 DTAI, 실현 가능성 가능성, 다양성 점수를 조합한 복합 손실을 사용하는 다단계 학습 파이프라인을 구현한다.
• 10개의 성능 목표와 비대칭적이고 다중모달인 데이터를 포함한 도전적인 다목적 자전거 프레임 설계 문제를 대상으로 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델이 설계 성능, 실현 가능성, 다양성, 목표 달성을 동시에 최적화할 수 있는가?
• RQ2 DTAI와 같은 기울기 가능 손실 함수가 기존의 통계적 유사성 기반 목표에 비해 목표 이행성과 성능 향상에 얼마나 기여하는가?
• RQ3 복잡한 엔지니어링 설계 과제에서 보조 실현 가능성 분류기가 생성된 설계의 실현 가능성 비율을 얼마나 향상시키는가?
• RQ4 제안된 프레임워크는 실현 가능성, 다양성, 성능 지표 측면에서 최신 기술 기반 DGM과 비교해 어떻게 성과를 내는가?
• RQ5 DTAI와 실현 가능성 제약 조건을 통합함으로써 설계의 새로운 형태와 솔루션 공간 커버리지가 크게 향상되는가?

주요 결과

• 제안된 DTAI와 실현 가능성 분류기를 갖춘 PaDGAN은 평균 목표 성공률 69.8%를 달성하였으며, 다음으로 우수한 베이스라인(48.4%) 대비 45% 향상되었다.
• 생성된 설계의 실현 가능성 비율은 95.9%에 도달하였으며, 최신 기술인 MO-PaDGAN(87.1%) 대비 30% 향상되었고, 평균 베이스라인(72.7%) 대비 30.7% 향상되었다.
• 모델은 평균 DTAI 점수 0.79를 기록하여 다음으로 우수한 방법(0.69)보다 유의미하게 높았으며, 디자이너가 설정한 성능 목표와의 정렬도 뛰어났다.
• 모델은 히퍼볼륨(3.82×10⁻⁷), 평균 설계 신선도(9.96), 평균 성능 공간 다양성(2.71)을 포함한 여덟 가지 평가 지표 중 여섯 가지에서 모든 베이스라인을 압도했다.
• 절단 분석(Ablation study) 결과, DTAI 손실과 실현 가능성 분류기가 모두 필수적임을 확인하였으며, 둘 중 하나를 제거하면 목표 성공률과 실현 가능성에 심각한 성능 저하가 발생했다.
• 바이올린 플롯 분석 결과, 제안된 방법을 사용한 생성 설계의 분포는 항상 기존 베이스라인 대비 더 높은 목표 성공률과 더 나은 성능 점수를 기록하였다.