공기역학적으로 효율적인 구조를 연구하는 자기 개선형 인공지능

국문 초록 (Abstract)

본 연구는 Python 기반 후보 생성기와 Unity 기반 후보 평가기를 파일 시스템으로 결합하여, 사람의 개입 없이 반복 실행 가능한 폐루프 형태의 자동화 공기역학 최적화 파이프라인을 구현하였다. 제안 시스템은 후보 형상을 SDF 격자 기반 바이너리로 표준화해 교환하며, Unity 측에서 후보를 자동 로드한 뒤 등위면 기준 정규화, 경계 조건 강제, 부호 규약 보정 등 전처리를 수행한다. 이후 GPU 병렬화에 적합한 LBM(D3Q19) 기반 프록시 유동 계산으로 항력 성분을 추정하고, 차량형에서의 이탈을 점수 페널티로 반영해 최종 점수를 산출한다. 평가 결과는 압축 배열 형태의 로그로 누적 저장되어 학습 데이터셋으로 축적되며, 처리 완료 마킹을 통해 장시간 무인 실행과 중복 평가 방지를 지원한다. 성능 검증을 위해 피드백이 없는 Random 기준선과, 누적 로그로 3D VAE 및 Surrogate 앙상블을 학습하고 UCB 기준으로 후보를 선별하는 폐루프 방식을 비교하였다. 평가지표로 best so far 곡선, 점수 분포(CDF), 처리량, 런타임 실패율을 사용하여 운용 안정성과 탐색 효율을 함께 평가하였다. 실험 결과, 대량 자동 평가가 중단 없이 수행됨을 확인하였고, 폐루프 방식이 최고 점수 갱신 관점에서 개선 경향을 보임을 제시하였다. 다만 프록시 평가의 절대 해석 한계의 제약이 남아 있으며, 향후에는 학습 알고리즘 및 하이퍼파라미터를 자동 조정하는 에이전트 확장을 통해 보다 강한 자기 개선 구조로 발전시키는 것을 목표로 한다.

다국어 초록 (Multilingual Abstract)

Abstract goes hereThis paper presents an automated closed loop pipeline for aerodynamic optimization that couples a Python based candidate generator with a Unity based evaluator via the file system, enabling iterative operation without human intervention. Candidate shapes are exchanged using a standardized SDF grid binary format. On the Unity side, each candidate is automatically loaded and preprocessed through iso level normalization, boundary condition enforcement, and sign convention correction to improve evaluation stability and shape consistency. The evaluator then estimates aerodynamic drag using a GPU friendly Lattice Boltzmann Method (D3Q19) as a low cost proxy, and converts the estimated drag into a score while incorporating a shape guidance penalty that discourages deviations from a vehicle like template. Evaluation outputs are accumulated as compressed array logs, forming a growing dataset, and a completion marking mechanism prevents duplicate processing during long unattended runs. For empirical validation, we compare a feedback free Random baseline against a learning based closed loop method that trains a 3D VAE and an ensemble surrogate model from the accumulated logs and selects candidates using an Upper Confidence Bound (UCB) criterion. We assess both operational robustness and search efficiency using best so far curves, score distributions (CDF), throughput, and runtime failure rates. The results demonstrate stable large scale autonomous evaluation and indicate an improving trend in best achievable scores for the closed loop approach. Remaining limitations include the interpretability bounds of proxy based drag estimation, motivating future extensions with agent driven adaptation of learning algorithms and hyperparameters toward stronger self improving behavior.