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

Resumo Técnico: Dmsh – Um Framework de Aprendizado por Reforço Multiagente para Geração de Malhas All-Quad

Definição do Problema
A geração de malhas de alta qualidade do tipo all-quadrilateral (all-quad) para geometrias arbitrárias permanece um gargalo crítico na engenharia computacional. Embora a geração de malhas triangulares e tetraédricas seja madura, as malhas all-quad (2D) e all-hexahedral (3D) são preferidas por sua convergência superior, menor difusão numérica e alinhamento com características de fluxo. No entanto, os métodos existentes — que variam de técnicas de frente avançante (advancing-front) a otimizações de mapeamento de grade inteira — frequentemente enfrentam dificuldades com domínios complexos contendo características agudas, buracos ou regiões não convexas. Esses desafios tipicamente exigem limpeza geométrica manual, decomposição de domínio e ajuste de heurísticas, consumindo uma parte significativa do tempo de engenharia. Embora abordagens recentes de aprendizado profundo tenham tentado automatizar a geração de malhas, formulações de aprendizado por reforço (RL) de agente único mostraram limitações ao lidar com buracos, escalar para fronteiras extensas e gerenciar robustamente cantos agudos sem degradar a qualidade dos elementos.

Metodologia
O artigo apresenta o Dmsh, um pipeline de aprendizado por reforço multiagente totalmente automatizado que unifica a decomposição geométrica e a geração de malha quadrilátera dentro de um único framework baseado em aprendizado. O sistema emprega três agentes coordenados, cada um treinado usando variantes do algoritmo Soft Actor-Critic (SAC), para lidar com estágios específicos do processo de geração de malha:

1. Agente de Decomposição de Buracos (Hole Decomposition Agent):

   • Papel: Alveja especificamente geometrias contendo vazios internos. Ele opera a partir do "Polo de Inacessibilidade" (o centro do maior círculo inscrito dentro de um buraco) para evitar a sensibilidade a discretizações de fronteira não uniformes.
   • Arquitetura: Um agente puramente baseado em visão utilizando uma entrada de canal duplo (máscaras binárias locais e globais) processada por uma Rede Neural Convolucional (CNN) de fluxo duplo.
   • Ação: Prediz duas direções de raios de corte para particionar a geometria contendo o buraco em regiões simplesmente conectadas.
   • Restrições: Impõe paridade topológica (garantindo um número par de vértices) ao dividir as arestas originais da fronteira em vez de cortes internos, a fim de manter a conformidade da malha.

2. Agente de Decomposição de Blocos (Block Decomposition Agent):

   • Papel: Particiona sistematicamente domínios complexos para eliminar ângulos reflexos (cantos agudos) e reduzir a complexidade da fronteira, criando subregiões mais simples adequadas para o agente de malha.
   • Arquitetura: Utiliza uma representação de estado híbrida combinando um vetor rotacionalmente invariante (geometria local) e uma entrada visual de canal duplo (recorte local e visão do domínio global) via uma CNN pseudo-siamesa.
   • Ação: Seleciona um subdomínio alvo e uma direção de divisão para decompor o domínio recursivamente.
   • Restrições: Garante que os subdomínios resultantes mantenham uma contagem de vértices par para a capacidade de geração de malha quad (quad-meshability).

3. Agente de Malha (Meshing Agent):

   • Papel: Gera a malha all-quad final dentro das subregiões decompostas usando uma técnica de frente avançante (advancing-front).
   • Arquitetria: Implementa um framework de Soft Actor-Critic Paramétrico (P-SAC) adaptado para um espaço de ação híbrido discreto-contínuo.
     • Ação Discreta: "Costura" (stitching - conectando nós existentes para fechar um laço).
     • Ação Contínua: "Criação" (posicionando um novo vértice com coordenadas polares específicas).
   • Representação de Estado: Utiliza um sistema de coordenadas polares local e rotacionalmente invariante centrado em um vértice de referência, incorporando raios de detecção em leque (fan-sensing rays) para perceber fronteiras não adjacentes.
   • Função de Recompensa: Uma recompensa composta que penaliza defeitos topológicos, elementos invertidos (via Jacobiano Escalonado), gargalos estreitos e irregularidades de fronteira, enquanto promove a regularidade e suavidade dos elementos.
   • Recuperação: Inclui um loop de reparo de múltiplos estágios (expansão geométrica heurística e suavização de Laplacian restrita) para recuperar-se de impasses geométricos (deadlocks).

Estratégia de Treinamento
O framework emprega uma estratégia de aprendizado por currículo (curriculum learning) para garantir escalabilidade e convergência:

• Fase 1 (Pré-treinamento): O agente é treinado exclusivamente em domínios quadrados simples para aprender o comportamento fundamental de criar elementos de alta qualidade e manter a integridade da fronteira.
• Fase 2 (Treinamento de Conjunto/Ensemble): O agente é exposto a um conjunto diversificado de geometrias complexas (variando curvatura, concavidade, razões de aspecto) usando bagging de dataset para evitar o sobreajuste (overfitting) e generalizar a política.

Principais Resultados
O artigo valida o Dmsh através de diversos benchmarks 2D e 2.5D (superfície), comparando-o com o método de RL de última geração, FreeMesh-RL, e agentes de linha de base treinados sem aprendizado por currículo.

• Qualidade da Malha: O Dmsh supera consistentemente o FreeMesh-RL na qualidade média dos elementos (Jacobiano Escalonado) e reduz significativamente a variância dos elementos. Notavelmente, o mínimo global de qualidade (o pior elemento individual) é substancialmente maior no Dmsh, indicando maior robustez. Por exemplo, em um domínio planar com múltiplos picos, o Dmsh alcançou um mínimo global de 0,2792 comparado a 0,0699 do FreeMesh-RL.
• Robustez: A estratégia de decomposição multiagente permite que o Dmsh realize com sucesso a geração de malha em geometrias com múltiplos buracos e concavidades agudas que fazem o FreeMesh-RL falhar ou produzir elementos de baixa qualidade.
• Eficiência e Paralelismo: Ao decompor o domínio em blocos independentes, o Dmmsh permite a geração de malha paralela de subregiões. Isso reduz significativamente o tempo de execução da geração de malha (por exemplo, de ~62s para ~37s em uma geometria côncava complexa), mantendo uma qualidade de elemento comparável.
• Malha de Superfície: O framework estende-se com sucesso para malhas de superfície 3D (ex: cubos, cilindros, suportes) ao gerar faces paramétricas individuais e costurá-las, demonstrando a capacidade de lidar com topologias 3D complexas.

Significância e Alegações
Os autores afirmam que o Dmsh representa um novo paradigma para a geração de malhas baseada em aprendizado ao:

1. Unificar Decomposição e Malha: É o primeiro pipeline totalmente automatizado que integra a decomposição geométrica (blocos e buracos) e a geração de malha dentro de um único framework de aprendizado, removendo a necessidade de intervenção manual.
2. Integração de Visão Computacional: Introduz o uso de visão computacional (CNNs) para abordar o problema da decomposição de blocos, permitindo que os agentes tomem decisões conscientes da geometria baseadas em características visuais, em vez de apenas dados de coordenadas.
3. Escalabilidade e Paralelismo: A estratégia de decomposição recursiva permite naturalmente o paralelismo em larga escala, abordando os gargalos computacionais da geração de malha sequencial.
4. Robustez: O sistema demonstra maior confiabilidade ao lidar com topologias complexas, incluindo múltiplos buracos e características agudas, onde métodos de RL existentes ou algoritmos clássicos frequentemente exigem decomposição manual ou falham.

O artigo conclui que, embora a implementação atual foque em malhas de superfície all-quad, a arquitetura modular multiagente fornece uma base para expansão futura para malhas hexaédricas 3D e características geométricas mais complexas.