편미분방정식(PDE)이 지배하는 물리 시스템을 원하는 성능이 나오도록 거꾸로 설계하는 이른바 역설계는 오래된 난제다. 설계 공간의 차원이 높고 볼록하지 않아 계산 부담이 크기 때문이다. 이 문제를 겨냥해 신경 연산자와 진화 전략을 결합한 새 기법 NOTES가 제안됐다. 관련 논문은 동료심사 이전 arXiv에 공개된 사전공개본으로, 저자는 샹밍 황 등이다.
기존 접근은 저마다 약점이 있었다. 역설계에 쓰이는 생성 모델은 견고성과 다른 조건으로의 전이 능력이 부족한 경우가 많았고, 진화 전략은 견고하지만 차원이 높아지면 성능이 떨어졌다. NOTES는 두 계열의 장점을 엮어 차원 축소와 표현 학습, 진화 최적화를 하나로 통합했다. 구체적으로는 DeepONet 기반 신경 연산자와 공분산 행렬 적응 진화 전략(CMA-ES)을 결합해, 위상 구조 정보를 담은 압축된 잠재 공간 안에서 전역 최적화를 수행한다. 이렇게 하면 학습에 없던 새로운 작동 조건에서도 고성능 설계를 찾아낼 수 있다는 것이 연구진의 설명이다.
연구진은 맥스웰 방정식이 지배하는 나노광학 빔 편향기 설계에 NOTES를 적용했다. 그 결과 설계 차원을 256에서 25로 줄이면서도 효율을 일관되게 95퍼센트 이상 달성해, CMA-ES와 위상 최적화를 비롯한 여러 기존 방법을 앞섰다고 밝혔다. 서로 다른 성격의 문제인 구조 최적화에도 적용해, 컴플라이언스 값을 246까지 낮추는 설계를 찾아냈다.
NOTES의 핵심은 DeepONet이 담당하는 위상 학습과 PDE 해석기가 담당하는 지배 물리 계산을 분리한 데 있다. 두 역할을 떼어놓음으로써, 다양한 물리 시스템의 역설계에 유연하게 옮겨 쓸 수 있는 틀을 제공한다는 것이다. 서로 다른 물리 영역에 걸쳐 재사용 가능한 설계 자동화 틀을 지향한다는 점에서 후속 연구의 폭을 넓힐 여지가 있다. 원문 초록 보기
