Geometry-Aware Neural Optimizer for Shape Optimization and Inversion

Motivation

• Known: Classical shape optimization/inversion 파이프라인은 forward simulation, geometry modification, remeshing을 반복하는 방식으로 비용이 크고 전문가 개입이 많이 필요하다. 최근 neural surrogate(FNO, DeepONet, TRANSOLVER 등)는 forward 계산을 가속화하지만, 목적함수에서 geometry로의 gradient가 없어 최적화 루프를 닫지 못하며, 기존 differentiable 방법들은 제한적인 parametric representation이나 불안정한 scalar-objective 기반 latent optimization에 의존한다.
• Gap: Parametric 방법은 안정적이지만 표현력이 제한되어 복잡한 3D 형상을 다루기 어렵고, latent-space 방법은 표현력은 크지만 gradient 기반 업데이트가 data manifold를 벗어나기 쉬워 비현실적인 형상을 만들며, 또한 scalar objective만 예측/최적화하여 field-level 해석성과 part-wise 제어가 부족하다는 근본적 갭이 존재한다.
• Why: 형상은 PDE 지배 시스템의 핵심 제어 변수이며, 산업 설계(항공기 날개, 차량 등)에서 신뢰성 있고 해석 가능하며 부분별 제어가 가능한 end-to-end differentiable 최적화 도구는 설계 반복 비용과 전문가 의존도를 크게 줄일 수 있어 실질적 중요성이 크다.
• Approach: GANO는 STABLESDF라는 denoising 기반 auto-decoder로 형상을 latent code z로 인코딩하고, geometry-informed TRANSOLVER backbone을 통해 z에서 objective로의 안정적 gradient 경로를 확보한 뒤, null-space projection과 remeshing-free projection을 이용해 latent space에서 part-wise 제어가 가능한 형상 최적화/역문제를 수행한다.

Achievement

Figure 5. 2D Helmholtz: forward prediction and shape inversion. a. Comparison of the real-part. b. Shape inversion from

1. 통합 end-to-end 프레임워크: geometry representation, field-level prediction, 자동 optimization/inversion을 단일 latent-space 루프로 통합한 GANO를 제안하여 산업급 geometry optimization을 가능하게 함.
2. 이론적 정당화: denoising 메커니즘이 implicit Jacobian regularization을 유도하여 decoder의 latent perturbation 민감도를 줄이고 제어 가능한 형상 변형을 만든다는 것을 증명함.
3. State-of-the-art 성능: 2D Helmholtz, 2D airfoil, 3D vehicle 세 벤치마크에서 SOTA 정확도 및 안정적이고 제어 가능한 geometry update를 달성했으며, airfoil에서 최대 +55.9% lift-to-drag 개선, vehicle에서 ~7% drag 감소를 달성함.

How

Figure 2. Pipeline of GANO. a. Geometry representation: GANO models Γ as an implicit SDF sθ(x) and uses denoising-style

• Geometry representation: 형상 Γ를 implicit SDF sθ(x)로 모델링하는 STABLESDF auto-decoder를 학습하며, 학습 시 denoising-style augmentation을 적용해 latent code 업데이트를 안정화함.
• Geometry-informed forward prediction: TRANSOLVER 백본에 geometry-informed 모듈을 결합하여 geometry 정보를 field prediction에 주입하고, 목적함수에서 latent z로의 신뢰성 있는 gradient pathway를 제공함.
• Optimization/inversion: objective J에 대한 gradient ∇zJ를 backpropagation으로 계산하고, null-space projection P(z)를 적용해 특정 부분(part)을 고정한 채 다른 부분만 최적화하는 part-wise 제어를 지원함.
• Remeshing-free projection: 업데이트된 표면에 대해 remeshing 없이 boundary-consistent query points를 유지하여 geometry processing 속도를 가속화함.
• 이론적 분석: denoising 훈련이 decoder Jacobian에 대한 implicit regularization으로 작용함을 증명하여 latent perturbation에 대한 안정성을 이론적으로 뒷받침함.
• 실험적 검증: 2D Helmholtz forward/inversion, 2D airfoil lift-to-drag 최적화, 3D vehicle drag 최소화의 세 benchmark에서 정량적 성능 비교 수행.

Originality

• Parametric과 latent-space 방법의 장점(안정성 vs 표현력)을 절충하기 위해 denoising mechanism으로 latent space를 안정화하는 STABLESDF를 제안한 점.
• Scalar objective 기반 최적화에서 벗어나 field-level prediction과 geometry-informed gradient pathway를 결합해 해석 가능성을 높인 점.
• Null-space projection을 이용한 part-wise geometry 제어와 remeshing-free projection이라는 실용적 가속 기법을 도입한 점.
• Denoising이 implicit Jacobian regularization을 유도한다는 이론적 증명으로 경험적 안정성 관찰을 수학적으로 뒷받침한 점.

Limitation & Further Study

• 세 가지 벤치마크(2D Helmholtz, 2D airfoil, 3D vehicle)에 대한 검증으로, 더 복잡한 multi-physics나 다양한 산업 도메인으로의 일반화 가능성은 추가 검증이 필요함.
• Null-space projection 기반 part-wise 제어가 사용자가 지정한 constraint에 의존하는데, 이 constraint 설계 자체의 자동화나 최적 선택에 대한 논의가 제한적임.
• Latent space 차원이나 STABLESDF의 표현력 한계로 인해 매우 복잡하거나 topology가 크게 변하는 형상 최적화에는 한계가 있을 수 있음.
• Denoising 강도와 Jacobian regularization 정도 간의 trade-off(과도한 regularization 시 표현력 저하 가능성)에 대한 심층 분석이 부족함.

Evaluation

총평: Geometry representation, field prediction, optimization을 하나의 differentiable latent-space 루프로 통합하고 이를 이론적으로 뒷받침한 점이 인상적이며, 여러 벤치마크에서 실질적인 성능 개선을 보여준 완성도 높은 연구이다.