UniDrag: Unified Multi-Field Prediction and Robust Shape Optimization for Vehicle Aerodynamics

Motivation

• Known: Transolver, GeoTransolver, AB-UPT, DoMINO 등 neural operator 기반 surrogate는 DrivAerML 같은 벤치마크에서 높은 예측 정확도를 보이지만 prediction-only 구조이며, PhysGen, TripOptimizer 같은 generative shape optimization 방법은 aerodynamic objective를 반영해 형상을 생성한다.
• Gap: 기존 surrogate 모델은 inverse design 능력이 없어 "어떻게 형상을 바꿔야 항력을 줄일 수 있는가"라는 질문에 답하지 못하며, 기존 generative optimization 방법들은 explicit geometric constraint 부재로 비대칭 형상, 비현실적 변형, surrogate의 blind spot을 악용하는 fake Cd 감소를 생성하여 CFD 재검증 시 실패하는 한계가 있다.
• Why: 차량 공력 설계는 대칭성, 영역 보존, 변형 한계 등 엄격한 engineering constraint 하에서 실제로 검증 가능한 항력 감소를 요구하므로, 예측과 최적화를 하나의 differentiable 파이프라인으로 통합하고 surrogate의 취약성을 악용하는 adversarial deformation을 방지하는 robust optimization이 실무적으로 중요하다.
• Approach: enhanced Physics-Sliced Attention(ePSA), Gated Expert Routing(GER), Modality-Protected Learning(MPL)로 구성된 아키텍처로 다중 모달리티 간 negative transfer를 방지하며 multi-field를 동시 예측하고, 학습 완료된 frozen surrogate 위에서 Free-Form Deformation(FFD)과 Expectation-over-Transformation(EoT) 기반 robust differentiable optimization을 수행한다.

Achievement

Figure 5. CFD verification of optimization effectiveness on 500

1. 통합 prediction-optimization 프레임워크: multi-field aerodynamic prediction과 constraint-aware differentiable inverse design을 하나의 파이프라인으로 최초로 결합.
2. 정확도 향상: $C_d$ 예측 $R^2$ 0.937 달성으로 baseline 대비 7.6% 향상.
3. 강건한 최적화 성능: CFD로 검증된 평균 13.7% 항력 감소, 100% 성공률, 평균 21.3mm(차량 길이의 0.46%)의 미소 변위만으로 engineering constraint를 만족하며 최적화 달성.
4. 대규모 벤치마크 데이터셋 구축: Sedan, SUV, Sport Car, MPV 4종 차체 유형에 걸친 15,000개 차량 형상과 GPU 가속 LBM 시뮬레이션 기반의 완전한 CFD 라벨 및 재검증 가능한 시뮬레이션 구성을 제공.

How

Figure 2. Overview of UniDrag. (a) Training: geometry-context tokens from surface and volume points are processed by L e

• ePSA (enhanced Physics-Sliced Attention): Transolver의 physics-sliced attention을 확장하여 local geometry injection과 3D rotary position encoding(RoPE)을 추가, surface/volume 포인트로부터 geometry-context 토큰을 구성해 self-attention과 cross-attention으로 처리.
• GER (Gated Expert Routing): 여러 output head(volume, surface, drag) 간 negative transfer를 방지하기 위해 게이팅 기반 expert routing 도입.
• MPL (Modality-Protected Learning): stop-gradient 메커니즘을 활용해 각 모달리티별 학습 신호를 보호, 이질적 출력 간 학습 안정성 확보.
• Drag build-up profile 예측: 스트림와이즈 방향으로 항력 기여도를 국소화하는 새로운 진단 출력을 추가로 예측.
• Inference 단계 최적화: frozen surrogate를 이용해 FFD 파라미터에 대한 gradient를 계산하고, symmetry, smoothness, displacement 제약을 포함한 loss function을 반복적(R rounds)으로 최소화.
• EoT (Expectation-over-Transformation): 형상에 다중 노이즈 섭동을 가한 여러 샘플에 대해 $C_d$ 예측을 평균화하여 surrogate의 취약점을 악용하는 adversarial deformation을 방지.

Originality

• 기존 prediction-only surrogate(Transolver, GeoTransolver, AB-UPT, DoMINO)와 달리 예측과 inverse design을 단일 differentiable 파이프라인으로 최초 통합.
• 기존 generative shape optimization(PhysGen, TripOptimizer, AeroAgent)의 constraint 부재 및 fake Cd 감소 문제를 FFD 기반 explicit engineering constraint와 EoT robust sampling으로 해결.
• 스트림와이즈 drag build-up profile이라는 새로운 진단적 출력 모달리티를 도입해 설계 의사결정에 실질적 도움을 제공.
• 기존 DrivAerNet/DrivAerNet++ 대비 4종 차체 topology와 15,000개 규모의 대규모 CFD 재검증 가능 데이터셋 구축.

Limitation & Further Study

• 발췌된 본문에서는 LBM 시뮬레이션의 정확도가 실제 고차원 CFD(RANS/LES)와 얼마나 일치하는지에 대한 상세한 검증이 명확히 드러나지 않아, 실제 산업 적용 시 신뢰성 검증이 추가로 필요할 수 있다.
• FFD 기반 변형은 국소적이고 미소한 형상 변화에 최적화되어 있어, 대규모 위상 변화나 근본적인 디자인 혁신(topology optimization)에는 적용이 제한적일 수 있다.
• 4종 차체 유형에 한정된 데이터셋으로 학습되어, 트럭·버스 등 상용차나 극단적 형상에 대한 일반화 성능은 추가 검증이 필요하다.
• 후속 연구로 다양한 Reynolds 수 및 실도로 주행 조건(측풍, 비정상 유동)에 대한 강건성 확장, 그리고 topology-level 변형까지 포괄하는 최적화 프레임워크로의 확장이 고려될 수 있다.

Evaluation

총평: multi-field 예측과 constraint-aware inverse design을 하나의 differentiable 파이프라인으로 통합한 실용적이고 완성도 높은 연구로, CFD 재검증을 통한 신뢰성 있는 항력 감소 성능이 인상적이나 LBM 기반 데이터의 실제 CFD 대비 정합성 및 대형 형상 변화로의 확장성은 추가 검증이 필요하다.