[논문 리뷰] 3D Shape Synthesis for Conceptual Design and Optimization Using Variational Autoencoders

Wentai Zhang, Zhangsihao Yang외 6명|arXiv (Cornell University)|2019. 04. 16.

3D Shape Modeling and Analysis참고 문헌 30인용 수 12

한 줄 요약

이 논문은 기존 설계에서 학습한 압축된 잠재 공간을 활용하고 유전적 최적화와 결합함으로써 매끄럽고 고성능의 개념 설계를 생성하는 데이터 기반 3D 형상 합성 프레임워크를 제안한다. 거리 변환 기반 3D 표현을 사용함으로써, 기존 데이터셋에 존재하지 않는 성능 목표, 예를 들어 0.5m 이내 허용 오차로 13.8m의 목표 비행 고도를 달성한 설계조차도 달성할 수 있다.

ABSTRACT

We propose a data-driven 3D shape design method that can learn a generative model from a corpus of existing designs, and use this model to produce a wide range of new designs. The approach learns an encoding of the samples in the training corpus using an unsupervised variational autoencoder-decoder architecture, without the need for an explicit parametric representation of the original designs. To facilitate the generation of smooth final surfaces, we develop a 3D shape representation based on a distance transformation of the original 3D data, rather than using the commonly utilized binary voxel representation. Once established, the generator maps the latent space representations to the high-dimensional distance transformation fields, which are then automatically surfaced to produce 3D representations amenable to physics simulations or other objective function evaluation modules. We demonstrate our approach for the computational design of gliders that are optimized to attain prescribed performance scores. Our results show that when combined with genetic optimization, the proposed approach can generate a rich set of candidate concept designs that achieve prescribed functional goals, even when the original dataset has only a few or no solutions that achieve these goals.

연구 동기 및 목표

• 공학 분야에서 초기 개념 설계 단계에서 디지털 도구의 부족 문제를 해결하기 위해 인간 중심의 탐색이 느리고 제한적이라는 점을 해결한다.
• 기존 바이너리 바vox 기반 표현 방식이 생성된 설계에서 픽셀화된 낮은 품질의 표면을 유발한다는 점을 해결한다.
• 기존 설계 코퍼스에서 비모수적 학습을 통해 자동으로 다양한 고성능 3D 설계를 생성할 수 있도록 한다.
• 생성된 설계를 물리 기반 시뮬레이션 및 최적화 파이프라인에 원활하게 통합하여 기능적 평가를 가능하게 한다.
• 기존 데이터셋을 초월해 새로운 고성능 개념 설계를 발견할 수 있도록 설계 공간을 확장한다. 특히, 비현실적인 성능 목표에 대해서도 가능하다.

제안 방법

• 표면의 매끄러움을 유지하기 위해 3D 설계를 바이너리 바vox가 아닌 실수 값 거리 변환 필드로 표현한다.
• 거리 매핑에 기반한 변분 오토에인드어(Varitional Autoencoder, VAE)를 훈련시켜 설계 기하학을 압축하고 연속적인 잠재 공간으로 인코딩한다.
• 잠재 벡터를 다시 거리 매핑으로 디코딩하고, 이를 다각형 메쉬로 변환하여 후속 시뮬레이션 및 분석을 위해 사용한다.
• 유전적 최적화기와 VAE 생성기를 통합하여 잠재 공간 내에서 확률적 보간 및 외삽을 수행함으로써 새로운 설계를 탐색한다.
• 물리 기반 시뮬레이션(예: 단순화된 비행 역학)을 사용하여 설계 성능을 평가하고 목표 성능에 도달하도록 최적화를 이끈다.
• 고성능 개체의 잠재 벡터를 조합하여 새로운 설계 후보를 생성하기 위해 잠재 공간 크로스오버 기법을 적용한다.

실험 결과

연구 질문

• RQ1 비모수적 설계 모델링 없이 기존 설계 코퍼스에서 데이터 기반 VAE 기반 방법이 매끄럽고 고품질의 3D 설계를 생성할 수 있는가?
• RQ2 바이너리 바vox가 아닌 거리 변환 매핑을 사용할 경우 표면 품질이 향상되고 물리 기반 시뮬레이션과의 통합이 더 잘 이루어지는가?
• RQ3 유전적 최적화를 통한 잠재 공간 탐색이 원본 데이터셋에 존재하지 않는 기능적 성능 목표를 충족하는 새로운 설계를 생성할 수 있는가?
• RQ4 이러한 목표가 원래 설계 공간을 초월할 경우, 이 방법이 얼마나 효과적으로 실현 가능한 설계를 발견할 수 있는가?
• RQ5 원본 데이터셋에 주어진 목표에 대해 솔루션이 거의 없거나 전혀 없는 경우, 이 파이프라인은 얼마나 다양하고 고성능의 설계 후보를 효과적으로 생성하는가?

주요 결과

• 6m의 목표 비행 고도를 최적화할 경우, 최종 인구집단의 76%가 0.1m 이내 허용 오차로 요구 조건을 충족했으며, 초반 인구집단의 경우 이는 단지 1%에 불과했다.
• 더 도전적인 목표인 13.8m의 경우, 최종 설계의 88%가 0.5m 이내 허용 오차로 요구 조건을 충족했으며, 원본 데이터셋의 최대 고도가 12.6m에 불과했음에도 불구하고 성공적으로 달성했다.
• 이 방법은 원래 데이터셋에서 도달할 수 없는 목표 고도인 14.5m에 대해서도 설계를 성공적으로 생성했으며, 원래 설계 공간을 초월한 설계를 생성했다.
• 최종 합성 인구집단은 착륙 고도 측면에서 높은 다양성을 보였으며, 인간 설계자가 탐색할 수 있는 여러 가지 타당한 옵션을 제공했다.
• 거리 변환 매핑의 사용은 바vox 기반 방법에서 흔한 픽셀화 문제 없이 매끄럽고 시뮬레이션에 적합한 3D 표면을 생성할 수 있도록 했다.
• 원래 훈련 데이터에서 비현실적인 목표 성능이었더라도, 이 파이프라인이 기능성 있는 설계를 효과적으로 생성하는 데에 뛰어난 강건성을 보였다.