공학 시뮬레이션 전문가는 비싼 전산유체역학(CFD) 및 유한요소해석(FEA) 솔버 실행 비용을 줄이기 위한 머신러닝 서로게이트의 실제 배포 경험을 찾고 있습니다.
- 아키텍처: 메쉬 데이터의 그래프 신경망, 푸리에 신경 연산자, 포인트 클라우드 접근법, 온도 및 응력 등의 필드를 예측하기 위한 MLP/CNN 서로게이트 비교.
- 데이터 효율성: 유용한 서로게이트에 필요한 최소 학습 샘플 수와 유사한 형상 간 전이 학습의 유용성 조사.
- 물리 정보 접근법: 데이터 기반 방법과 비교하여 물리 정보 신경망(PINNs)이 실제 공학 형상에 실용적인지 평가.
- 일반화: 학습 분포 밖의 형상 및 경계 조건에서 모델의 신뢰성을 어떻게 유지할지 대응.
저자는 어떤 접근 방식이 사용 가능한 정확도-속도 트레이드오프를 제공하고 ML 서로게이트가 어디에서 실패하여 완전한 솔버로의 복귀가 필요한지 식별하는 것을 목표로 합니다.