ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics

ShipNet은 선체 포인트 클라우드와 속도를 활용하여 근접장 압력 분포와 원거리 파랑 패턴을 약 0.15초 만에 예측하는 기하학적 딥러닝 대리 모델로, 신속한 선박 설계 탐색을 위해 높은 정확도(R² ≥ 0.91)를 유지하면서 기존 포텐셜 유동 솔버 대비 550배의 속도 향상을 달성했습니다.

핵심

당신은 완벽한 배를 설계하려는 건축가라고 상상해 보세요. 이를 위해서는 물이 선체에 어떻게 부딪히는지, 그리고 배가 움직일 때 어떤 파도를 만들어낼지 알아야 합니다. 전통적으로 이를 계산하는 것은 마치 날씨를 예측하는 것과 같습니다. 수 시간 또는 수일이 걸리는 거대하고 매우 복잡한 컴퓨터 시뮬레이션을 실행해야 하기 때문입니다. 이는 정확하지만, 너무 느리고 비용이 많이 들어서 시간과 예산이 바닥나기 전에 단 몇 가지의 디자인만을 테스트할 수 있습니다.

이 논문은 이 문제를 해결하는 새로운 "AI 지름길"인 ShipNet을 소개합니다. ShipNet을 느리고 상세한 기상 예보관이 아니라, 수천 개의 배 디자인을 공부하여 배의 형상 사진만 보고도 물이 어떻게 행동할지 즉각적으로 추측할 수 있는 매우 빠르고 숙련된 전문가라고 생각해보세요.

작동 원리는 다음과 같습니다.

1. "마법의 눈" (기하학적 딥러닝)

보통 컴퓨터는 격자(체스판 같은 형태)를 기반으로 보기 때문에 3D 형상을 이해하는 데 어려움을 겪습니다. 하지만 배의 선체는 매끄럽고 곡선적인 표면입니다.

• 비유: 조각품을 누군가에게 설명한다고 상상해 보세요. 격자처럼 하나하나의 칸으로 설명하려고 하면 서투를 수 있습니다. 대신, ShipNet은 배를 공간에 떠 있는 1,024개의 작은 점들(포인트 클라우드)로 인식합니다.
• 학습 방법: 이 모델은 "동적 그래프 합성곱 신경망(Dynamic Graph Convolutional Network)"이라는 특수한 유형의 AI를 사용합니다. 이것을 AI가 "점 잇기" 게임을 하는 것이라고 생각해보세요. AI는 각 점을 보며 "내 이웃은 누구인가?"라고 묻습니다. AI는 더 깊이 파고들면서 연결을 끊임없이 다시 그려나가며, 단순히 점들의 형상뿐만 아니라 곡선과 굴곡이 서로 어떻게 연관되어 있는지를 학습합니다.

2. "두 가지를 한 번에" 예측

ShipNet은 하나의 뇌를 사용하여 두 가지 일을 동시에 수행합니다.

• 직무 A (피부): 배의 피부에 가해지는 압력을 예측합니다. 물이 선체를 밀어내는 상황을 상상해 보세요. 어떤 지점은 강하게 밀리고(고압), 어떤 지점은 부드럽게 당겨집니다(저압). ShipNet은 이를 점 단위로 지도화합니다.
• 직무 B (항적): 뒤에 남겨진 파도를 예측합니다. 이것은 연못에 돌을 던졌을 때 생기는 잔물결을 예측하는 것과 같습니다. 배 뒤쪽에서 파도가 얼마나 높게 일어날지를 보여주는 2D 지도를 생성합니다.

3. 학습 식단

이 AI를 똑똑하게 만들기 위해 연구진은 실제 해양 데이터(복잡하고 구하기 어려움)를 먹이지 않았습니다. 대신, 두 가지 유형의 요트 선체(코가 직선형인 것과 뭉툭한 코 형태인 것)에 대한 420개의 완벽한 컴퓨터 생성 시뮬레이션을 먹였습니다.

• 연구진은 코의 길이 나 불록한 부분의 너비 등을 변경하여 각 요트마다 70개의 변형 모델을 만들었습니다.
• 이 모델들을 세 가지 다른 속도에서 테스트했습니다.
• AI는 이러한 시뮬레이션을 반복 학습하며 형상의 변화가 수압과 파도에 어떤 영향을 미치는지에 대한 "규칙"을 익혔습니다.

4. "초고속" 결과

여기서 마법이 일어납니다.

• 기존 방식: 표준 컴퓨터 프로세서에서 하나의 시뮬레이션을 실행하는 데 약 3.8분이 걸립니다.
• ShipNet 방식: 일단 훈련된 AI는 새로운 배 디자인을 보고 그래픽 카드를 통해 0.15초 만에 답을 내놓습니다.
• 핵심 요점: 이것은 1,500배의 속도 향상입니다. 예전에는 한 번 테스트하는 데 걸렸던 시간을 사용하여 이제는 수백 개의 아이디어를 테스트할 수 있게 되었습니다.

5. 성능은 어느 정도인가?

논문에 따르면 이 AI는 놀라울 정도로 정확합니다.

• 배의 피부 압력에 대해서는 느리지만 완벽한 시뮬레이션과 비교했을 때 **98%**의 정확도를 보였습니다.
• 파도 패턴에 대해서는 **91%**의 정확도를 기록했습니다.
• 주의점: AI의 성능은 학습한 데이터에 달려 있습니다. 이 모델은 "비점성(inviscid)" 데이터로 학습되었습니다. 즉, 물에 마찰이 없다고 가정하는 것입니다(마치 완벽하고 미끄러운 슬라이드처럼). 아직 실제 물의 "끈적임(점성)"이나 러더(키), 프로펠러와 같은 복잡한 부품은 고려하지 못합니다. 또한, 훈련받은 특정 유형의 요트에 대해서만 유효합니다.

요약

ShipNet은 선상 디자이너들을 위한 디지털 수정구슬입니다. 컴퓨터에게 배를 점들의 구름으로 "보는" 법을 가르치고 수천 번의 연습을 통해 물의 물리학을 배우게 함으로써, 연구진은 배가 물속에서 어떻게 움직일지를 거의 즉각적으로 예측하는 도구를 만들어냈습니다. 아직 완벽하지는 않지만(실제 마찰력 등의 디테일이 부족함), 이는 우리가 느리고 무거운 계산을 빠르고 스마트한 추측으로 대체할 수 있음을 증명하며, 더 빠르고 연료 효율적인 배를 설계하는 방식을 혁신할 잠재력을 보여줍니다.

기술 요약

기술 요약: ShipNet – 실시간 선박 유체역학을 위한 기하학적 딥러닝 대리 모델

문제 정의
정확한 유체역학적 성능 예측은 선박 설계의 기본이지만, 고충실도 전산유체역학(CFD), 특히 레이놀즈 평균 나비에-스토크스(RANS) 시뮬레이션은 대규모 파라메트릭 탐색을 수행하기에는 계산 비용이 매우 높다. CFD는 선체 압력 및 자유 표면 파랑 패턴을 평가하는 데 필요한 세부 정보를 제공하지만, 상당한 자원 요구량과 긴 소요 시간은 이를 인터랙티브한 설계 도구로 사용하는 데 걸림돌이 된다. 기존의 데이터 기반 대리 모델은 종종 구조화된 격자나 고정된 공간 이산화에 의존하며, 이는 선형(hull-form) 설계에 내재된 기하학적 가변성을 수용하는 데 어려움을 겪는다. 따라서 복잡한 유동 특성을 포착하는 능력을 희생하지 않으면서, 비구조적 기하학적 표현으로부터 직접 유체역학적 장(field)을 빠르게 근사할 수 있는 대리 모델이 절실히 필요하다.

방법론
저자들은 선체 기하 구조와 운항 속도로부터 선체 표면 압력 분포와 원거리 자유 표면 파랑 패턴을 직접 예측하도록 설계된 기하학적 딥러닝 대리 모델인 ShipNet을 제안한다.

• 데이터 생성: 훈련 데이터셋은 패널법 솔버인 RAPID를 사용하여 생성된 420개의 비점성 자유 표면 시뮬레이션으로 구성된다. 데이터는 두 종류의 모선(parent yacht hulls; 하나는 직선형 선수, 다른 하나는 구상선수 보유)을 포함하며, 각 선형은 라틴 하이퍼큐브 설계를 통해 70개의 변형 모델로 파라미터화되었다. 시뮬레이션은 세 가지 속도(12, 15, 18노트)에서 수행되었으며, 프루드 수 범위는 $Fn \in [0.197, 0.322]$이다.
• 데이터 전처리: 선체 기하 구조는 점 구름(point cloud, $N_p = 1024$개의 점이 습윤 표면에서 준균일하게 샘플링됨)으로 표현되었으며, 일관된 글로벌 기준 좌표계에 정렬되었다. 자유 표면 파고(elevation)는 고정된 $256 \times 256$ 오일러 격자로 보간되었다. 압력 계수($C_p$)와 파고($\eta$)는 모두 훈련 세트 통계치를 사용하여 표준화되었다.
• 아키텍처: ShipNet은 **회귀 기반 동적 그래프 합성곱 신경망(regDGCNN)**을 채택하여 조정하였다.
  • 백본(Backbone): 공유 백본은 입력 점 구름(프루드 수를 특징 채널로 추가함)을 세 개의 연속적인 EdgeConv 레이어를 통해 처리한다. 이 레이어들은 국부적인 기하학적 구조를 포착하기 위해 동적으로 $k$-최근접 이웃 그래프($k=40$)를 구축하고, 이를 하나의 글로벌 잠재 임베딩(latent embedding)으로 집계한다.
  • 멀티 헤드 출력(Multi-Head Output): 잠재 표현은 두 개의 특화된 헤드에 의해 디코딩된다.
    1. 압력 헤드(Pressure Head): 1D 합성곱 레이어를 사용하여 각 샘플링된 선체 지점에서의 압력 계수를 예측하며, 국부적인 기하학적 맥락과 글로벌 임베딩을 결합한다.
    2. 파랑 헤드(Wave Head): 전치 합성곱(transposed convolutions)을 사용하는 U-Net 스타일의 디코더를 통해 잠재 특징을 타겟 해상도로 업샘플링하여 2D 자유 표면 파고 맵을 예측한다.
• 손실 함수: 모델은 복합 손실 함수로 훈련된다. 압력 손실은 표준 평균 제곱 오차(MSE)를 사용한다. 파랑 손실은 픽셀 단위의 정확도, 구조적 유사성, 그리고 파도의 마루(crest)와 골(trough)을 올바르게 예측하도록 강제하기 위해 $L_1$ 오차, 구조적 유사도 지수(SSIM), 그리고 그래디언트 페널티(Sobel 필터)를 결합한 하이브리드 목적 함수를 활용한다.

주요 기여

1. 아키텍처 적응: 자동차 공기역학에서 입증된 regDGCNN 아키텍처를 공기-물 계면과 선박의 응답을 다루는 2상(two-phase) 선박 유체역학 영역에 성공적으로 적용하였다.
2. 멀티 태스크 정식화: 공유 잠재 표현으로부터 근접 신체 3D 매니폴드 신호(선체 압력)와 원거리 2D 장(파랑 파고)을 공동으로 예측하는 통합 프레임워크를 개발하여, 국부적 및 글로벌 유동 거동을 동시에 해결하였다.
3. 검증된 대리 모델: 높은 정확도($C_p$에 대해 $R^2 \approx 0.98$, 파고에 대해 $R^2 \approx 0.91$)를 달면서 데이터 생성에 사용된 포텐셜 흐름 솔버 대비 약 1500배의 계산 속도 향상을 달성한 고충실도 대리 모델을 입증하였다.

결과

• 정확도: 기하학적 홀드아웃 테스트 세트(63개 케이스)에서 ShipNet은 선체 압력에 대해 0.981, 파고에 대해 0.912의 평균 $R^2$를 달-성하였다. 모델은 정체점(stagnation points) 및 켈빈 웨이크(Kelvin wake) 구조와 같은 주요 유동 특징을 정확히 식별하였다. 오차는 기하학적 복잡성이 높은 영역(예: 구상선수의 앞부분) 및 높은 압력 구배가 발생하는 영역에 국한되었다.
• 손실 함수 민감도: 어블레이션 연구 결과, 손실 함수의 선택이 결정적임을 밝혔다. 파랑 헤드를 표준 MSE로 훈련했을 때 $R^2$가 음수(-0.360)를 기록하며 무의미하고 과도하게 매끄러운(over-smoothed) 해를 내놓았다. 하이브리드 손실($L_1 + SSSS + Sobel$)은 파랑장의 희소하고 진폭이 큰 특징을 포착하는 데 필수적이었다.
• 효율성: 추론 시간은 NVIDIA T4 GPU에서 케이스당 약 0.15초이며, 이는 단일 CPU 코어에서 RAPID 솔버가 소요하는 약 228초와 비교된다. 이는 데이터 생성 솔버 대비 1500배, CPU 기반 추론 대비 550배의 속도 향상을 나타낸다.
• 데이터 효율성: 성능은 가용 데이터셋의 약 50% 지점에서 포화되었으며, 이는 강력한 데이터 효율성을 시사한다.

의의 및 주장
본 논문은 ShipNet을 그래프 기반 신경망을 사용하여 복잡한 유체-구조 상호작용 문제를 해결하는 대리 모델을 만드는 개념 증명(proof-of-concept)으로 제시한다. 저자들은 이 접근 방식이 시뮬레이션 지연 시간을 분 단위에서 밀리초 단위로 줄임으로써 초기 단계 선박 설계의 패러다임을 근본적으로 바꿀 수 있다고 주장한다. 이를 통해 다음이 가능하다:

• 인터랙티브 설계: 방대한 파라메트릭 공간을 체계적으로 탐색할 수 있는 실시간 데이터 풍부 설계 프로세스를 촉진하며, 이는 전통적인 시뮬레이션 워크플로우로는 불가능한 작업이다.
• 초기 단계 스크리닝: 초기 설계 단계에서 정확한 점성 세부 사항보다는 속도와 기하학적 이해를 우선시하여, 선형 후보들에 대한 빠른 순위 결정 및 질적 통찰을 제공한다.
• 광범한 적용 가능성: 비구조적 기하학적 표현으로부터 직접 작동함으로써 항공우주 및 재생 에너지와 같이 유체 역학을 다루는 다른 분야에도 적용 가능한 프레임워크를 구축한다.

한계점
저자들은 모델이 비점성 포텐셜 흐로 데이터로 훈련되었으며, 현재 특정 가늘고 긴 요트 선형(appendage가 없는 형태)에 국한되어 있음을 명시적으로 인정하였다. 따라서 이 모델은 점성 효과(예: 경계층)나 복잡한 선미 유동(예: 트랜섬 웨이크)을 포착하지 못한다. 향후 고충실도 RANS 데이터셋과 더 다양한 선박 기하 구조로 아키텍처를 확장하는 연구가 필요함을 밝히고 있다.