Dmsh: A Multi-Agent Reinforcement Learning Framework for All-Quad Mesh Generation

Technische Samenvatting: Dmsh – Een Multi-Agent Reinforcement Learning Framework voor All-Quad Mesh Generatie

Probleemstelling
De generatie van hoogwaardige all-quadrilaterale (all-quad) meshes voor willekeurige geometrieën blijft een kritieke flessenhals in de computationele techniek. Hoewel driehoekige en tetraëdrische meshing volwassen zijn, worden all-quad (2D) en all-hexahedral (3D) meshes verkozen vanwege hun superieure convergentie, lagere numerieke diffusie en uitlijning met stromingskenmerken. Deze uitdagingen vereisen echter vaak handmatige geometrische opschoning, domeindecompositie en heuristische afstemming, wat een aanzienlijk deel van de engineeringtijd in beslag neemt. Hoewel recente deep learning-benaderingen hebben geprobeerd de meshing te automatiseren, vertonen single-agent reinforcement learning (RL) formulaties beperkingen bij het afhandelen van gaten, het schalen naar grote grenzen en het robuust beheren van scherpe hoeken zonder de kwaliteit van de elementen te verslechteren.

Methodologie
Het artikel introduceert Dmsh, een volledig geautomatiseerde, multi-agent reinforcement learning pipeline die geometrische decompositie en quadrilaterale mesh generatie verenigt binnen één enkel learning-based framework. Het systeem maakt gebruik van drie gecoördineerde agenten, elk getraind met varianten van het Soft Actor-Critic (SAC) algoritme, om specifieke stadia van het meshingproces te beheren:

1. Hole Decomposition Agent:

   • Rol: Richt zich specifiek op geometrieën met interne holtes. Het opereert vanaf de "Pole of Inaccessibility" (het centrum van de grootste ingeschreven cirkel binnen een gat) om gevoeligheid voor niet-uniforme boundary discretisaties te vermijden.
   • Architectuur: Een puur visuele agent die gebruikmaakt van een dual-channel input (lokale en globale binaire masks) verwerkt door een dual-stream Convolutional Neural Network (CNN).
   • Actie: Het voorspelt twee snijstraal-richtingen om de gat-bevattende geometrie te partitioneren in simpel verbonden regio's.
   • Restricties: Handhaaft topologische pariteit (het waarborgen van een even aantal vertices) door originele boundary edges te splitsen in plaats van interne sneden, om mesh conformiteit te behouden.

2. Block Decomposition Agent:

   • Rol: Partitioneert complexe domeinen systematisch om reflexhoeken (scherpe hoeken) te elimineren en de boundary complexiteit te verminderen, waardoor eenvoudigere sub-regio's ontstaan die geschikt zijn voor de meshing agent.
   • Architectuur: Maakt gebruik van een hybride state representatie die een rotationeel invariante vector (lokale geometrie) combineert met een dual-channel visuele input (lokale crop en globale domein view) via een pseudo-siamese CNN.
   • Actie: Selecteert een doel sub-regio en een splitsingsrichting om het domein recursief te decomponeren.
   • Restricties: Zorgt ervoor dat de resulterende sub-domeinen een even vertex count behouden voor quad-meshability.

3. Meshing Agent:

   • Rol: Genereert de uiteindelijke all-quad mesh binnen de gedecomponeerde sub-regio's met behulp van een advancing-front techniek.
   • Architectuur: Implementeert een Parametric Soft Actor-Critic (P-SAC) framework, toegesneden op een hybride discrete–continue actieruimte.
     • Discrete Actie: "Stitching" (het verbinden van bestaande nodes om een lus te sluiten).
     • Continue Actie: "Creation" (het plaatsen van een nieuwe vertex met specifieke poolcoördinaten).
   • State Representatie: Gebruikt een lokale, rotationeel invariante poolcoördinatenstelsel gecentreerd op een referentie vertex, inclusend fan-sensing stralen om niet-aangrenzende boundaries waar te nemen.
   • Beloningsfunctie: Een samengestelde beloning die topologische defecten, geïnverteerde elementen (via Scaled Jacobian), smalle bottlenecks en boundary onregelmatigheden bestraft, terwijl het de regelmaat en gladheid van elementen bevordert.
   • Herstel: Bevat een multi-stage repair loop (heuristische geometrische expansie en constrained Laplacian smoothing) om te herstellen van geometrische deadlocks.

Trainingsstrategie
Het framework maakt gebruik van een curriculum learning strategie om schaalbaarheid en convergentie te garanderen:

• Fase 1 (Pre-training): De agent wordt uitsluitend getraind op eenvoudige vierkante domeinen om het fundamentele gedrag van het creëren van hoogwaardige elementen en het behouden van boundary integriteit te leren.
• Fase 2 (Ensemble Training): De agent wordt blootgesteld aan een diverse set complexe geometrieën (variërende kromming, convexiteit, aspect ratio's) met behulp van dataset bagging om overfitting te voorkomen en de policy te generaliseren.

Belangrijkste Resultaten
Het artikel valideert Dmsh over diverse 2D en 2.5D (oppervlakte) benchmarks, waarbij het wordt vergeleken met de state-of-the-art RL methode, FreeMesh-RL, en baseline agenten getraind zonder curriculum learning.

• Mesh Kwaliteit: Dmsh presteert consistent beter dan FreeMesh-RL in gemiddelde elementkwaliteit (Scaled Jacobian) en vermindert de element variantie aanzienlijk. Opvallend genoeg is de globale minimum kwaliteit (het slechtste enkele element) substantieel hoger in Dmsh, wat duidt op grotere robuustheid. Bijvoorbeeld, in een multi-spike planaire domein bereikte Dmsh een globaal minimum van 0.2792 vergeleken met 0.0699 voor FreeMesh-RL.
• Robuustheid: De multi-agent decompositie strategie stelt Dmsh in staat om geometrieën met meerdere gaten en scherpe concaviteiten succesvol te meshen, waar single-agent methoden falen of lage kwaliteit elementen produceren.
• Efficiëntie en Parallellisme: Door het domein te decomponeren in onafhankelijke blokken, maakt Dmsh parallelle meshing van sub-regio's mogelijk. Dit vermindert de wall-clock meshing tijd aanzienlijk (bijv. van ~62s naar ~37s op een complexe concave geometrie) terwijl een vergelijkbare elementkwaliteit behouden blijft.
• Surface Meshing: Het framework breidt succesvol uit naar 3D surface meshing (bijv. kubussen, cilinders, brackets) door individuele parametrische vlakken te meshen en ze aan elkaar te stitchen, wat het vermogen aantoont om complexe 3D topologyën te behandelen.

Betekenis en Claims
De auteurs beweren dat Dmsh een nieuw paradigma vertegenwoordigt voor learning-based mesh generatie door:

1. Decompositie en Meshing te Verenigen: Het is de eerste volledig geautomatiseerde pipeline die geometrische decompositie (block en hole) en mesh generatie integreert binnen één enkel learning framework, waardoor handmatige interventie wordt geëlimineerd.
2. Integratie van Computer Vision: Het introduceert het gebruik van computer vision (CNN's) om de problematiek van block decompositie aan te pakken, waardoor agenten geometrie-bewuste beslissingen kunnen nemen op basis van visuele kenmerken in plaats van enkel coördinatengegevens.
3. Schaalbaarheid en Parallellisme: De recursieve decompositie strategie maakt van nature grootschalige parallellisatie mogelijk, wat de computationele bottlenecks van sequentiële meshing aanpakt.
4. Robuustheid: Het systeem demonstreert verbeterde betrouwbaarheid bij het afhandelen van complexe topologyën, inclusief meerdere gaten en scherpe kenmerken, waar bestaande RL methoden of klassieke algoritmen vaak handmatige decompositie vereisen of falen.

Het artikel concludeert dat hoewel de huidige implementatie zich richt op all-quad surface meshes, de modulaire multi-agent architectuur een fundament biedt voor toekomstige expansie naar hexahedral 3D meshing en complexere geometrische kenmerken.