[Concept] Learned Remeshing

[Sizing Field]

사이징 필드(sizing field)는 메쉬에서 각 노드(node)나 영역에 대해 얼마나 세밀하게 메쉬를 나눌지를 결정하는 기준 또는 함수입니다. 이는 리메싱 과정에서 핵심적인 역할을 하며, 메쉬의 해상도를 조절하여 계산의 효율성과 정확성을 동시에 달성할 수 있게 합니다.

1. 사이징 필드의 정의

• 사이징 필드는 메쉬의 각 위치에서 메쉬 요소 크기(mesh element size)를 결정하는 값 또는 텐서입니다.
  • 값이 작을수록 메쉬가 더 세밀해지고, 값이 클수록 메쉬가 더 성기게 됩니다.
• 이는 메쉬에서 각 노드 또는 영역의 기하학적 특성(예: 곡률, 왜곡)이나 물리적 특성(예: 응력, 온도 변화)에 따라 달라질 수 있습니다.
  • 곡률 기반:
    • 곡률이 클수록 메쉬를 더 세밀하게 설정.
    • 곡률이 작은 영역은 덜 촘촘하게 설정.
  • 응력 기반:
    • 응력이 집중되는 영역(예: 구조물의 접합부)에는 더 세밀한 메쉬를 배치.
    • 응력이 낮은 영역(예: 구조물의 넓은 평면)에는 성긴 메쉬를 배치.

2. 사이징 필드의 계산

사이징 필드는 보통 특정한 규칙이나 데이터 기반 학습에 의해 정의됩니다.
예를 들어

• 규칙 기반: 곡률, 기하학적 왜곡, 응력 분포 등의 값에 기반해 계산.
• 학습 기반: 뉴럴 네트워크를 사용해 데이터를 학습하고 각 노드에 적합한 사이징 값을 예측.

정리하자면, 사이징 필드는 메쉬를 어디에서 얼마나 세밀하게 나눌지를 결정하는 지도와 같은 역할을 하며, 이를 통해 시뮬레이션의 효율성과 정확성을 모두 달성할 수 있습니다.

 

[Learned Remeshing]

1. Learned Remeshing의 핵심 아이디어

 

• 전통적 리메싱: 메쉬를 조정할 때 곡률, 물리적 상태 등의 도메인 지식에 따라 메쉬를 세분화하거나 병합하는 알고리즘을 사용.
  • 하지만 이러한 알고리즘은 도메인에 특화된 리메셔(remesher)를 사용해야 하며, 테스트 단계에서 이를 반복적으로 호출해야 함. -> 문제점
• Learned Remeshing: 리메싱 과정에서 도메인 지식을 최소화하기 위해, 메쉬 조정에 필요한 사이징 필드를 학습하고 이를 기반으로 리메싱을 수행.
  • 사이징 필드는 학습된 뉴럴 네트워크가 각 노드에서 예측하여 생성.
  • 도메인 독립적인 일반 리메셔를 사용해 메쉬를 조정.

2. Learned Remeshing의 주요 과정

 

1. Train 단계
   • 학습 데이터로부터 각 노드에 필요한 사이징 필드를 학습.
   • 뉴럴 네트워크를 통해 사이징 필드를 예측하는 디코더를 학습시킴.
2. Test 단계
   1. 현재 메쉬 상태를 입력으로 받아 다음 시뮬레이션 상태를 예측.
   2. 동시에 사이징 필드를 예측하여 각 노드에서 필요한 메쉬 밀도를 결정.
   3. 일반적인 Remesher R을 호출하여 예측된 다음 상태와 사이징 필드를 기반으로 새로운 Mesh를 생성

 

 

3. Learned Remeshing의 장점

1. 도메인 독립성
   • 기존 방식처럼 특정 도메인에 특화된 리메셔를 반복적으로 호출할 필요 없음.
   • 일반적인 리메셔를 사용하여 다양한 유형의 메쉬에 적용 가능.
2. 효율성
   • 테스트 단계에서 메쉬를 동적으로 조정하더라도 학습된 사이징 필드를 기반으로 수행하므로 계산 비용이 감소.
3. 적응성
   • 모델이 예측한 사이징 필드를 사용해 복잡한 메쉬나 다양한 도메인에서도 adaptive remeshing 가능.

 

 

Learned Remeshing은 Mesh의 Adaptive Rememshing을 위해 Sizing Field를 학습하고, 이를 일반적인 remesher와 결합하여 효율적이고 도메인 독립적인 리메싱을 수행하는 방법입니다. 이는 기존 리메싱 방식의 한계를 극복하며, 다양한 시뮬레이션과 모델링 작업에서 사용될 수 있습니다.