KR102602963B1 - Optimal design system and method for domain adaptation with designable generative adversarial networks - Google Patents
Optimal design system and method for domain adaptation with designable generative adversarial networks Download PDFInfo
- Publication number
- KR102602963B1 KR102602963B1 KR1020210117379A KR20210117379A KR102602963B1 KR 102602963 B1 KR102602963 B1 KR 102602963B1 KR 1020210117379 A KR1020210117379 A KR 1020210117379A KR 20210117379 A KR20210117379 A KR 20210117379A KR 102602963 B1 KR102602963 B1 KR 102602963B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- design
- estimated
- designable
- generative adversarial
- Prior art date
Links
- 238000013461 design Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006978 adaptation Effects 0.000 title description 7
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 230000003044 adaptive effect Effects 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 230000003190 augmentative effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 6
- 238000013434 data augmentation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000036314 physical performance Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는, 이미 설계가 이루어진 제품과 유사 제품을 개발할 때, 설계 가능한 생성적 적대 신경망을 적용하여 새로운 설계 도메인에 적응하여 제품의 모델 설계 또는 실험 구성 없이, 신속하게 기존 제품과 유사한 수준의 성능을 가질 수 있는 설계변수를 추정하고, 이를 통한 신규 설계모델을 생성할 수 있는 시스템 및 그 방법에 관한 것이다.The present invention relates to a domain adaptive optimization design system and method using a designable generative adversarial network. More specifically, when developing a product similar to an already designed product, a designable generative adversarial network is applied to create a new new system. It relates to a system and method that can adapt to the design domain and quickly estimate design variables that can have a similar level of performance as existing products without having to design a product model or configure an experiment, and create a new design model through this. .
Description
본 발명은 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 기존에 개발했던 제품과 유사하지만 새로운 제품을 개발하고자 할 때, 설계 가능한 생성적 적대 신경망을 적용하여, 새로운 설계 도메인에 적응하여 제품의 모델 설계 또는 실험 구성없이 신속하게 기존 제품과 유사한 수준의 성능을 갖게 하는 설계를 추정할 수 있는 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법에 관한 것이다.The present invention relates to a domain adaptive optimization design system and method using a designable generative adversarial network. More specifically, when developing a new product that is similar to a previously developed product, a designable generative adversarial network is used. A domain adaptive optimization design system and its It's about method.
기존에 특정 물리적 성능을 만족하는 설계안을 도출하기 위해서 활용했던 방법은 최적화 공학이다. 최적화 공학에서는, 제품을 대변할 수 있는 실험 모델 또는 컴퓨터 시뮬레이션 모델을 확보한 후, 실험 계획법을 통해 샘플링 전략을 구성하고 데이터를 확보한다. 이 때, 확보한 데이터는 모델을 다시 근사화한 메타 모델을 구성하는 데에 활용된다. 결국, 최적화 알고리즘을 구성한 메타모델과 함께 수행하여 특정 성능을 만족하는 설계안을 획득하게 된다.The method previously used to derive a design that satisfies specific physical performance is optimization engineering. In optimization engineering, after securing an experimental model or computer simulation model that can represent the product, a sampling strategy is constructed and data is obtained through design of experiment. At this time, the obtained data is used to construct a meta model that approximates the model again. In the end, by performing the optimization algorithm together with the metamodel, a design that satisfies specific performance is obtained.
그렇지만, 이러한 최적화 공학은 반드시 모델을 필요로 하기 때문에, 실험 모델을 구성하고 데이터를 추출하는 과정에서의 많은 시간적인 비용과 재정적인 비용이 발생하는 문제점이 있다.However, since this optimization engineering necessarily requires a model, there is a problem in that a lot of time and financial costs are incurred in the process of constructing the experimental model and extracting data.
특히, 새로운 설계안을 내놓을 때는 정교한 실험 모델을 구성하는 것 자체가 불가능하기 때문에, 컴퓨터 시뮬레이션 모델을 구성하고 데이터를 추출하는 것 역시 많은 시간적인 비용이 소요되며, 추출된 데이터에 대해서도 실제 실험 데이터와의 괴리를 줄이기 위해 추가 노력이 요구된다. 결국, 적절한 성능을 내는 최적 설계안을 찾는 데까지 오랜 시간이 걸리는 문제점이 있다.In particular, since it is impossible to construct an elaborate experimental model when presenting a new design, constructing a computer simulation model and extracting data also takes a lot of time and costs, and the extracted data is also compared to the actual experimental data. Additional efforts are required to reduce the gap. Ultimately, there is a problem that it takes a long time to find the optimal design that provides appropriate performance.
본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 설계 가능한 생성적 적대 신경망을 적용하여, 새로운 설계 도메인에 적응하여 제품의 모델 설계 또는 실험 구성없이 신속하게 기존 제품과 유사한 수준의 성능을 갖게 하는 설계를 추정할 수 있는 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법을 제공하는 것이다.The present invention was created to solve the problems of the prior art as described above. The purpose of the present invention is to apply a designable generative adversarial neural network to quickly adapt to a new design domain without designing a product model or constructing an experiment. The aim is to provide a domain adaptive optimization design system and method using a designable generative adversarial network that can estimate a design that has a similar level of performance as existing products.
본 발명의 일 실시예에 따른 푸리에 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템은, 기존 수행된 설계 모델에 의한 대상과 유사한 성능 수준을 갖는 대상에 대한 설계 모델을 신규 생성하기 위한 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템에 있어서, 소정의 잠재변수값들을 입력받아, 가상 성능 데이터(virtual data)를 생성하는 데이터 생성부, 상기 데이터 생성부에서 생성한 상기 가상 성능 데이터와, 기존 수행된 설계 모델에 의한 실제 성능 데이터(actual data)를 입력받아, 상기 가상 성능 데이터와 상기 실제 성능 데이터의 판별 확률값을 산출하는 데이터 판별부, 상기 데이터 생성부에서 생성한 상기 가상 성능 데이터를 입력받아, 추정된 잠재변수값을 산출하는 데이터 역생성부, 상기 데이터 역생성부에서 산출한 상기 추정된 잠재변수값을 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 데이터 변환부 및 상기 데이터 변환부에서 산출한 상기 추정된 설계변수값들을 적용하여, 대상의 최적 설계 모델을 생성하는 설계 모델 생성부를 포함하는 것이 바람직하다.The domain adaptive optimization design system applying a Fourier designable generative adversarial network according to an embodiment of the present invention is a design capable of creating a new design model for an object with a similar performance level to the object by an existing design model. In a domain adaptive optimization design system using a generative adversarial network, a data generator that receives predetermined latent variable values and generates virtual performance data, the virtual performance data generated by the data generator, and A data determination unit that receives actual performance data based on an existing design model and calculates a probability value of discrimination between the virtual performance data and the actual performance data, and inputs the virtual performance data generated by the data generation unit. A data inverse generation unit that receives the data and calculates an estimated latent variable value, and converts the estimated latent variable value calculated by the data inverse generation unit into a non-normalized value according to the range of the input design variable, and the estimated design variable value. It is preferable to include a data conversion unit that calculates and a design model generation unit that generates an optimal design model of the target by applying the estimated design variable values calculated by the data conversion unit.
더 나아가, 상기 데이터 판별부는 기설정된 제1 손실함수를 통해, 산출한 상기 판별 확률값이 0.5가 되도록 학습을 수행하는 것이 바람직하다.Furthermore, it is preferable that the data determination unit performs learning so that the calculated discrimination probability value is 0.5 through a preset first loss function.
더 나아가, 상기 데이터 역생성부는 상기 추정된 잠재변수값이 기설정된 제2 손실함수를 통해서, 상기 데이터 생성부를 통해서 입력된 상기 잠재변수값과 유사하도록 학습을 수행하는 것이 바람직하다.Furthermore, the data inverse generator preferably performs learning so that the estimated latent variable value is similar to the latent variable value input through the data generator through a preset second loss function.
더 나아가, 상기 데이터 생성부는 기존 수행된 설계모델의 설계변수의 개수과 동일한 개수의 소정의 잠재변수값들을 입력받는 것이 바람직하다.Furthermore, it is preferable that the data generation unit receives the same number of potential variable values as the number of design variables of an existing design model.
더 나아가, 상기 데이터 생성부는 상기 잠재변수값들을 증강하여 상기 가상 성능 데이터를 생성하고, 상기 데이터 생성부와 상기 데이터 역생성부는 동일한 레이어 개수로 구성되는 신경망 모델을 포함하는 것이 바람직하다.Furthermore, it is preferable that the data generator generates the virtual performance data by augmenting the latent variable values, and that the data generator and the data inverse generator include a neural network model composed of the same number of layers.
본 발명의 또 다른 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법은, 기존 수행된 설계 모델에 의한 대상과 유사한 성능 수준을 갖는 대상에 대한 설계 모델을 신규 생성하기 위해, 컴퓨터로 구현되는 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템에 의해 각 단계가 수행되는 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법에 있어서, 데이터 생성부에서, 기존 수행된 설계모델의 설계변수의 개수와 동일한 개수의 소정의 잠재변수값들을 입력받는 잠재변수 입력단계(S100), 데이터 생성부에서, 상기 잠재변수 입력단계(S100)에 의한 상기 잠재변수값들을 증강하여, 가상 성능 데이터(virtual data)를 생성하는 가상데이터 생성단계(S200), 데이터 판별부에서, 기존 수행된 설계 모델에 의한 실제 성능 데이터(actual data)를 입력받고, 상기 가상데이터 생성단계(S200)에 의한 상기 가상 성능 데이터를 전달받는 판별 데이터 입력단계(S300), 데이터 판별부에서, 상기 판별 데이터 입력단계(S300)에 의한 상기 가상 성능 데이터와 상기 실제 성능 데이터의 판별 확률값을 산출하는 판별확률 산출단계(S400), 데이터 역생성부에서, 상기 가상데이터 생성단계(S200)에 의한 상기 가상 성능 데이터를 전달받아, 추정된 잠재변수값을 산출하는 추정데이터 생성단계(S500) 및 데이터 변환부에서, 상기 추정데이터 생성단계(S500)에 의한 상기 추정된 잠재변수값을 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 추정 설계변수 산출단계(S600)를 포함하는 것이 바람직하다.The domain adaptive optimization design method applying a designable generative adversarial network according to another embodiment of the present invention is to create a new design model for an object with a performance level similar to that of an object by an existing design model, In the domain adaptive optimization design method using a designable generative adversarial network, in which each step is performed by a domain adaptive optimization design system using a computer-implemented designable generative adversarial network, in the data generation unit, the previously performed design model A latent variable input step (S100) in which the same number of predetermined latent variable values as the number of design variables is input. In the data generation unit, the latent variable values are augmented by the latent variable input step (S100), and virtual performance is achieved. In the virtual data generation step (S200) of generating data (virtual data), the data determination unit receives actual performance data (actual data) based on an existing design model, and performs the virtual data generation step (S200). A discrimination data input step (S300) for receiving virtual performance data, and a discrimination probability calculation step (S400) in which the data determination unit calculates the discrimination probability value of the virtual performance data and the actual performance data by the discrimination data input step (S300). ), in the data inverse generation unit, an estimated data generation step (S500) of receiving the virtual performance data from the virtual data generation step (S200) and calculating an estimated latent variable value, and in a data conversion unit, the estimated data It is preferable to include an estimated design variable calculation step (S600) in which the estimated latent variable value in the generation step (S500) is converted to a non-normalized value according to the range of the input design variable to calculate the estimated design variable value. do.
더 나아가, 상기 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적 화 설계 방법은, 상기 추정 설계변수 산출단계(S600)를 수행하고 난 후, 설계 모델 생성부에서, 상기 추정 설계변수 산출단계(S600)에 의한 상기 추정된 설계변수값들을 적용하여, 대상의 최적 설계 모델을 생성하는 신규 설계모델 생성단계(S700)를 포함하는 것이 바람직하다.Furthermore, in the domain adaptive optimization design method applying the designable generative adversarial network, after performing the estimated design variable calculation step (S600), the estimated design variable calculation step (S600) is performed in the design model generator. It is preferable to include a new design model creation step (S700) of generating an optimal design model of the target by applying the estimated design variable values.
더 나아가, 상기 판별확률 산출단계(S400)는 기설정된 제1 손실함수를 통해, 산출한 상기 판별 확률값이 0.5가 되도록 학습을 수행하는 제1 학습처리단계(S410)를 더 포함하는 것이 바람직하다.Furthermore, the discrimination probability calculation step (S400) preferably further includes a first learning processing step (S410) in which learning is performed so that the calculated discrimination probability value is 0.5 through a preset first loss function.
더 나아가, 상기 추정데이터 생성단계(S500)는 상기 추정된 잠재변수값이 기설정된 제2 손실함수를 통해, 상기 잠재변수 입력단계(S100)에 의해 입력된 상기 잠재변수값과 유사하도록 학습을 수행하는 제2 학습처리단계(S510)를 더 포함하는 것이 바람직하다.Furthermore, the estimated data generation step (S500) performs learning so that the estimated latent variable value is similar to the latent variable value input by the latent variable input step (S100) through a preset second loss function. It is desirable to further include a second learning processing step (S510).
상기와 같은 구성에 의한 본 발명의 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법은 기존에 개발했던 제품과 유사하지만 새로운 제품을 개발하고자 할 때, 설계 가능한 생성적 적대 신경망을 적용하여, 새로운 설계 도메인에 적응하여 제품의 모델 설계 또는 실험 구성없이 신속하게 기존 제품과 유사한 수준의 성능을 갖게 하는 설계를 추정할 수 있는 장점이 있다.The domain adaptive optimization design system and method using the designable generative adversarial network of the present invention according to the above configuration are similar to previously developed products, but when developing a new product, the designable generative adversarial network is applied. Therefore, there is an advantage in being able to adapt to a new design domain and quickly estimate a design that has a similar level of performance to existing products without designing a product model or constructing an experiment.
상세하게는, 실제 데이터(실제 성능 데이터)와 설계변수의 예측되는 범위(입력된 설계변수의 범위)를 입력하면, 실제 데이터를 증강한 가상 데이터(가상 성능 데이터)와 가상 데이터에 대응되는 설계변수(추정된 설계변수값)를 함께 출력받아, 새로운 제품의 실험 및 해석 모델의 구성 없이 신속하고 적절하게 설계변수를 추정할 수 있는 장점이 있다.In detail, when actual data (actual performance data) and the predicted range of the design variable (range of the input design variable) are entered, virtual data (virtual performance data) augmented with the actual data and the design variable corresponding to the virtual data are entered. By receiving the (estimated design variable values) together, there is the advantage of being able to quickly and appropriately estimate design variables without constructing an experiment or analysis model for a new product.
도 1은 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법에 적용한 DGAN의 구조 예시도이다.
도 2는 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템의 구성 예시도이다.
도 3은 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법에 적용한 DGAN의 입출력 데이터 요약 예시도이다.
도 4는 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법을 나타낸 순서 예시도이다.
도 5는 도메인 적응의 예시도이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법을 검증하기 위한 예시 그래프이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법을 검증하기 위한 설정한 설계변수 범위를 나타낸 예시 표이다.Figure 1 is an example structure of a DGAN applied to a domain adaptive optimization design system and method using a designable generative adversarial network according to an embodiment of the present invention.
Figure 2 is an exemplary configuration diagram of a domain adaptive optimization design system applying a designable generative adversarial network according to an embodiment of the present invention.
Figure 3 is a diagram illustrating a summary of input and output data of DGAN applied to the domain adaptive optimization design system and method using a designable generative adversarial network according to an embodiment of the present invention.
Figure 4 is a flow diagram illustrating a domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention.
Figure 5 is an example diagram of domain adaptation.
Figures 6 and 7 are example graphs for verifying a domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention.
Figures 8 and 9 are example tables showing set design variable ranges for verifying a domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention.
이하 첨부한 도면들을 참조하여 본 발명의 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.Hereinafter, a domain adaptive optimization design system and method using the designable generative adversarial network of the present invention will be described in detail with reference to the attached drawings. The drawings introduced below are provided as examples so that the idea of the present invention can be sufficiently conveyed to those skilled in the art. Accordingly, the present invention is not limited to the drawings presented below and may be embodied in other forms. Additionally, like reference numerals refer to like elements throughout the specification.
이때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.At this time, if there is no other definition in the technical and scientific terms used, they have the meaning commonly understood by those skilled in the art to which this invention pertains, and the gist of the present invention is summarized in the following description and attached drawings. Descriptions of known functions and configurations that may be unnecessarily obscure are omitted.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.In addition, a system refers to a set of components including devices, mechanisms, and means that are organized and interact regularly to perform necessary functions.
기존에 시스템을 개발한 이력이 있어 해당 시스템의 특정 성능을 나타내는 데이터가 소량 확보되어 있는 경우를 가정하고, 비슷한 종류의 시스템이지만 다른 도메인의 시스템을 개발할 경우, 하기와 같은 문제가 발생하게 된다.Assuming that there is a history of existing system development and a small amount of data representing the specific performance of the system is secured, and if a similar type of system but a system in a different domain is developed, the following problems will occur.
첫째, 종래의 최적화 공학을 적용할 경우, 새로운 제품을 개발하기 때문에, 구성된 실험 모델이나 컴퓨터 시뮬레이션 모델이 존재하지 않게 된다. 그렇기 때문에, 이를 구성하기 위한 시간적인 비용과 재정적인 비용이 발생하게 된다.First, when applying conventional optimization engineering, since a new product is developed, a constructed experimental model or computer simulation model does not exist. Therefore, time and financial costs are incurred to configure it.
둘째, 단순히 시각적으로 유사한 설계를 개발하는 것이 아니라, 기존 제품과 유사한 물리적 성능을 갖는 설계안을 도출해야 한다.Second, rather than simply developing a visually similar design, we must come up with a design that has similar physical performance to existing products.
셋째, 유사한 설계 도메인에서 설계안을 도출하더라도, 이전 설계 지식을 활용하지 못하면 비효율적이다.Third, even if a design proposal is derived from a similar design domain, it is inefficient if previous design knowledge cannot be used.
일 예를 들자면, 기존에 중형차를 설계한 이력이 있어, 중형차에 해당하는 적정 성능 수준의 강성 데이터가 소량 확보된 상태에서, 준중형차의 새로운 설계를 빠르게 도출해야 할 경우, 종래에는 상술한 문제점들을 그대로 포함하고 있는데 반해, 본 발명의 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법을 적용할 경우, 새로운 설계 도메인에 적응하여 제품의 모델 설계 또는 실험 구성없이 신속하게 기존 제품과 유사한 수준의 성능을 갖게 하는 설계를 추정할 수 있는 장정이 있다.For example, if there is a history of designing a mid-size car and a small amount of stiffness data at an appropriate performance level for a mid-size car is secured, and a new design for a semi-mid-size car needs to be quickly drawn up, the problems described above are conventionally solved as is. On the other hand, when applying the domain adaptive optimization design system and method using the designable generative adversarial network of the present invention, it adapts to a new design domain and quickly reaches a level similar to that of existing products without designing a product model or constructing an experiment. There is a manual that can estimate a design that has the performance of.
이러한 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법은 새로운 제품이 기존 설계한 제품의 성능을 유사한 정도로 가질 수 있도록, 기존 설계한 제품의 지식을 새로운 제품의 효과적인 설계를 위해 도메인 적응하여 설계하는 것으로서, 설계 가능한 생성적 적대 신경망(DGAN, Designable Generative Adversarial Networks)을 적용하여, 기존 설계한 제품의 일부 성능 데이터를 증강함과 동시에 증강 데이터와 대응되는 설계변수 집합을 추정하여, 기존 제품과 유사한 수준의 성능을 갖는 새로운 제품의 설계모델을 추정할 수 있다.The domain adaptive optimization design system and method using a designable generative adversarial network according to an embodiment of the present invention is a new product that combines knowledge of existing designed products with new products so that new products can have the performance of existing designed products to a similar degree. For effective design of products, domain adaptation is designed by applying Designable Generative Adversarial Networks (DGAN) to augment some performance data of existing designed products and design corresponding to the augmented data. By estimating a set of variables, it is possible to estimate a design model for a new product with a similar level of performance to existing products.
도 1 내지 도 3은 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템을 나타낸 예시도로서, 도 1 내지 도 3을 참조로 하여 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템을 상세히 설명한다.1 to 3 are exemplary diagrams showing a domain adaptive optimization design system applying a designable generative adversarial network according to an embodiment of the present invention. With reference to FIGS. 1 to 3, the design system according to an embodiment of the present invention is shown. A domain adaptive optimization design system using a designable generative adversarial network is explained in detail.
본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템은 기존 수행된 설계 모델에 의한 대상과 유사한 성능 수준을 갖는 대상에 대한 설계 모델을 신규 생성하기 위함으로, 도 1 및 도 2에 도시된 바와 같이, 데이터 생성부, 데이터 판별부, 데이터 역생성부, 데이터 변환부 및 설계 모델 생성부를 포함하여 구성되는 것이 바람직하며, 각 구성들은 컴퓨터를 포함하는 연산처리수단에 각각 또는 통합되어 동작을 수행하는 것이 바람직하다.The domain adaptive optimization design system applying a designable generative adversarial network according to an embodiment of the present invention is intended to create a new design model for an object with a performance level similar to that of an object by an existing design model, as shown in FIG. 1 And as shown in FIG. 2, it is preferably configured to include a data generation unit, a data determination unit, a data inverse generation unit, a data conversion unit, and a design model creation unit, each of which is provided to an operation processing means including a computer. Alternatively, it is desirable to perform the operation in an integrated manner.
각 구성에 대해서 자세히 알아보자면,To learn more about each configuration,
상기 데이터 생성부는 소정의 잠재변수값(zi)들을 입력받아, 가상 성능 데이터(virtual data)를 생성하는 것이 바람직하다.The data generator preferably receives predetermined latent variable values (z i ) and generates virtual performance data.
상세하게는, 상기 데이터 생성부는 기존 수행된 설계모델의 설계변수의 개수와 동일한 개수인 소정 개수의 잠재변수값들을 입력받는 것이 바람직하며, 이 때, 상기 데이터 생성부는 상기 잠재변수값들을 증강하여 상기 가상 성능 데이터를 생성하게 된다.In detail, it is preferable that the data generator receives a predetermined number of latent variable values that are equal to the number of design variables of an existing design model. In this case, the data generator augments the latent variable values and Virtual performance data is generated.
상기 데이터 판별부는 상기 데이터 생성부에서 생성한 상기 가상 성능 데이터와, 기존 수행된 설계 모델에 의한 실제 성능 데이터(actual data)를 입력받아, 상기 가상 성능 데이터와 상기 실제 성능 데이터의 판별 확률값을 0 ~ 1 사이의 값으로 산출하는 것이 바람직하다.The data determination unit receives the virtual performance data generated by the data generation unit and actual performance data (actual data) based on an existing design model, and sets a discrimination probability value of the virtual performance data and the actual performance data from 0 to 0. It is desirable to calculate it as a value between 1.
상세하게는, 상기 데이터 생성부와 데이터 판별부는 생성적 적대 신경망(GAN, Generative Adversarial Networks)을 활용하는 것이 바람직하다.In detail, it is preferable that the data generation unit and the data discrimination unit utilize generative adversarial networks (GAN).
여기서, 데이터 증강(data augmentation)이란, 인공지능 알고리즘은 데이터가 많을수록 일반화 성능이 높고 반대로 데이터가 부족할수록 과적합 현상(학습 데이터에 지나치게 최적화되어 학습 데이터가 아닌 새로운 데이터에 알맞지 않은 추정을 하게 되는 현상)이 일어나게 된다. 이러한 과적합 현상을 완화하는 효과적인 기법 중 하나인 데이터 증강은 소량의 데이터만으로도 우수한 일반화 성능을 갖기 위해 학습 데이터에 실제 다양한 환경이나 특성을 반영할 수 있도록 변형을 통해 새로운 데이터(가상 성능 데이터)를 추가로 생성하게 된다.Here, data augmentation means that artificial intelligence algorithms have higher generalization performance when there is more data, and conversely, when there is insufficient data, overfitting occurs (a phenomenon in which the algorithm is overly optimized for the training data and makes inappropriate estimates for new data other than the training data). ) will occur. Data augmentation, one of the effective techniques to alleviate this overfitting phenomenon, adds new data (virtual performance data) through transformation to reflect various actual environments or characteristics in the learning data to achieve excellent generalization performance even with a small amount of data. It is created with
또한, 생성적 적재 신경망은 데이터 증강에 특히 적절한 신경망으로서, 입력되는 실제 데이터(잠재변수값)를 학습하여 비슷한 가상의 데이터를 생성하게 된다. 이러한 생성적 적재 신경망은 생성 모델과 분류 모델이 함께 들어간 복합 인공지능 모델로서, 보편 근사 정리에 따라 어떠한 함수든 우수하게 근사화할 수 있는 신경망이다.In addition, the generative loading neural network is a neural network particularly suitable for data augmentation, and generates similar virtual data by learning input real data (latent variable values). This generative loading neural network is a complex artificial intelligence model that includes a generative model and a classification model, and is a neural network that can excellently approximate any function according to the universal approximation theorem.
정규분포에서 샘플링한 잠재변수 값을 생성 모델(데이터 생성부)에 입력하며, 이와 동시에 입력받은 실제 데이터(실제 성능 데이터)의 분포를 학습할 수 있도록 가중치를 업데이트한다. 생성 모델은 적절한 학습 아래 실제 데이터와 유사한 데이터(가상 성능 데이터)를 출력하게 된다.Latent variable values sampled from a normal distribution are input into the generation model (data generation unit), and at the same time, the weights are updated so that the distribution of the input actual data (actual performance data) can be learned. The generative model outputs data similar to actual data (virtual performance data) under appropriate learning.
더불어, 분류 모델(데이터 판별부)은 생성 모델이 출력하는 가상 데이터와 기존 수행된 설계 모델에 의한 실제 데이터를 함께 입력받아, 어느 것이 실제인지 분류하는 과제를 수행하게 된다.In addition, the classification model (data determination unit) receives both virtual data output from the generation model and actual data from an existing design model, and performs the task of classifying which is real.
이를 통해서, 생성 모델과 분류 모델은 각각 적대적인 과제를 수행하게 되며, 이러한 학습 과정은 하기의 수학식 1과 같은 제1 손실함수가 이끌게 된다.Through this, the generative model and the classification model each perform an adversarial task, and this learning process is led by the first loss function as shown in Equation 1 below.
(여기서, x는 기존 유사 제품 성능 데이터,(where x is existing similar product performance data,
D(x)는 x를 입력 받았을 때의 판별 확률,D(x) is the discrimination probability when x is input,
z는 잠재변수값,z is the latent variable value,
G(z)는 생성기(데이터 생성부)에서 생성 된 가상 성능 데이터,G(z) is virtual performance data generated by the generator (data generation unit),
D(G(z))는 G(z)를 입력 받았을 때의 판별 확률,D(G(z)) is the discrimination probability when G(z) is input,
E[??]는 기댓값,E[??] is the expected value,
V는 손실함수 값을 의미함.)V refers to the loss function value.)
여기서, 상기 데이터 판별부는 상기 제1 손실함수를 통해 상기 판별 확률값이 0.5가 되도록 학습을 수행하는 것이 바람직하다.Here, the data discriminator preferably performs learning so that the discrimination probability value is 0.5 through the first loss function.
상기 데이터 역생성부는 상술한 생성적 적대 신경망의 학습 불안정성을 완화하고 데이터 내부의 연결성을 정보로 활용하는 모델인 심층 합성곱 생성적 적대 신경망(DCGAN, Deep Convolutional GAN)에 역생성 신경망을 추가한 구조를 갖는 것이 바람직하며, 상기 데이터 생성부에서 생성한 상기 가상 성능 데이터를 입력받아 추정된 잠재변수값을 산출하는 것이 바람직하다.The data inverse generation unit is a structure that adds a degenerative neural network to the deep convolutional generative adversarial network (DCGAN, Deep Convolutional GAN), a model that alleviates the learning instability of the generative adversarial network described above and utilizes connectivity within the data as information. It is desirable to have a , and to calculate an estimated latent variable value by receiving the virtual performance data generated by the data generation unit.
즉, 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템은, 상기 데이터 역생성부를 통해서, 증강 데이터와 대응되는 설계변수 집합을 추정할 수 있도록 개발된 모델인 DGAN을 활용하게 된다.That is, the domain adaptive optimization design system applying a designable generative adversarial network according to an embodiment of the present invention is DGAN, a model developed to estimate a set of design variables corresponding to augmented data through the data inverse generation unit. will be utilized.
이 때, 역생성 신경망은 레이어 개수가 생성 신경망과 동일하도록 구성되고, 잠재변수 차원과 동일해지도록 필터 등을 설계하는 것이 바람직하다.At this time, it is desirable to design the inverse generative neural network so that the number of layers is the same as the generative neural network, and the filter, etc., is designed to be the same as the latent variable dimension.
다시 말하자면, 상기 데이터 생성부와 상기 데이터 역생성부는 동일한 레이어 개수로 구성되는 신경망 모델을 포함하여 구성되는 것이 바람직하다.In other words, it is preferable that the data generation unit and the data inverse generation unit include a neural network model composed of the same number of layers.
여기서, 상기 데이터 역생성부는 하기의 수학식 2와 같은 제2 손실함수를 통해서 산출한 상기 추정된 잠재변수값이 상기 데이터 생성부를 통해서 입력된 상기 잠재변수값과 유사하도록 학습을 수행하는 것이 바람직하다.Here, the data inverse generator preferably performs learning so that the estimated latent variable value calculated through the second loss function as shown in Equation 2 below is similar to the latent variable value input through the data generator. .
(여기서, z는 잠재변수,(Here, z is a latent variable,
z_hat는 역생성기(데이터 역생성부)에서 추정된 잠재변수,z_hat is the latent variable estimated in the inverse generator (data inverse generator),
n는 학습 데이터의 배치 크기,n is the batch size of training data,
MSE는 평균 제곱 오차를 의미함.)MSE stands for mean squared error.)
상기 데이터 변환부는 상기 데이터 역생성부에서 산출한 상기 추정된 잠재변수값을 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 것이 바람직하다.Preferably, the data conversion unit converts the estimated latent variable value calculated by the inverse data generation unit into a non-normalized value according to the range of the input design variable to calculate the estimated design variable value.
다시 말하자면, 상기 데이터 변환부는 상기 데이터 판별부와 상기 데이터 역생성부를 통해서 학습이 완료된 후, 상기 데이터 역생성부에서 산출한 상기 추정된 잠재변수값이 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 것으로, 하기의 수학식 3을 이용하여 역정규화를 거쳐 설계 도메인의 물리적 범위를 반영하게 된다. 이를 통해서, 실제 데이터를 증강함과 동시에 증강된 가상 데이터의 설계변수를 함께 추정하게 된다.In other words, after the data conversion unit completes learning through the data determination unit and the data inverse generation unit, the estimated latent variable value calculated by the data inverse generation unit is a denormalized value according to the range of the input design variable. is converted to calculate the estimated design variable value, and the physical range of the design domain is reflected through denormalization using Equation 3 below. Through this, the actual data is augmented and the design variables of the augmented virtual data are simultaneously estimated.
(여기서, z_hat는 추정된 잠재변수,(Here, z_hat is the estimated latent variable,
xmax, xmin은 실제 설계변수의 최대값, 최소값,x max and x min are the maximum and minimum values of actual design variables,
Smax, Smin은 표준 정규분포의 최대값, 최소값,S max and S min are the maximum and minimum values of the standard normal distribution,
x는 추정된 설계변수(또는 비정규화된 추정된 잠재변수)를 의미함.)x refers to the estimated design variable (or non-normalized estimated latent variable).
이를 통해서, 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템은 도 3에 도시된 바와 같이, 실제 데이터(실제 성능 데이터)와 설계변수의 예측되는 범위(입력된 설계변수의 범위)를 입력하면, 실제 데이터를 증강한 가상 데이터(가상 성능 데이터)와 가상 데이터에 대응되는 설계변수(추정된 설계변수값)를 함께 출력받아, 새로운 제품의 실험 및 해석 모델의 구성 없이 신속하고 적절하게 설계변수를 추정할 수 있는 장점이 있다.Through this, the domain adaptive optimization design system applying a designable generative adversarial network according to an embodiment of the present invention, as shown in FIG. 3, combines actual data (actual performance data) and predicted ranges of design variables (input If you enter the range of design variables, virtual data (virtual performance data) augmented with actual data and design variables (estimated design variable values) corresponding to the virtual data are output together, and construction of an experiment and analysis model for a new product is performed. It has the advantage of being able to estimate design variables quickly and appropriately.
더불어, 상기 설계 모델 생성부는 상기 데이터 변환부에서 산출한 상기 추정된 설계변수값들을 적용하여, 대상의 최적 설계 모델을 생성하는 것이 바람직하다.In addition, the design model generator preferably generates an optimal design model of the target by applying the estimated design variable values calculated by the data conversion unit.
즉, 실제 데이터를 증강한 가상 데이터(가상 성능 데이터)와 가상 데이터에 대응되는 설계변수(추정된 설계변수값)를 함께 출력받아, 모델을 생성함으로써, 추정된 설계변수값들의 통계치(평균, 표준편차, 신뢰구간 범위)를 최적의 설계안으로 제시하고, 그때의 생성된 가상 성능 데이터를 제시할 수 있다.In other words, by generating a model by outputting virtual data augmented with actual data (virtual performance data) and design variables (estimated design variable values) corresponding to the virtual data, statistics (average, standard value) of the estimated design variable values are generated. deviation, confidence interval range) can be presented as an optimal design plan, and the virtual performance data generated at that time can be presented.
도 4는 본 발명의 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법을 나타낸 순서 예시도이다. 도 4을 참조로 하여 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법을 상세히 설명한다.Figure 4 is a flow diagram illustrating a domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention. With reference to FIG. 4, a domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention will be described in detail.
본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법은 도 4에 도시된 바와 같이, 잠재변수 입력단계(S100), 가상데이터 생성단계(S200), 판별 데이터 입력단계(S300), 판별확률 산출단계(S400), 추정데이터 생성단계(S500) 및 추정 설계변수 산출단계(S600)를 포함하여 구성되는 것이 발마직하다.As shown in FIG. 4, the domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention includes a latent variable input step (S100), a virtual data generation step (S200), and a discrimination data input step. (S300), the discrimination probability calculation step (S400), the estimated data generation step (S500), and the estimated design variable calculation step (S600).
각 단계에 대해서 자세히 알아보자면,To learn more about each step,
상기 잠재변수 입력단계(S100)는 상기 데이터 생성부에서, 기존 수행된 설계모델의 설계변수의 개수와 동일한 개수인 소정 개수의 잠재변수값(zi)들을 입력받게 된다.In the latent variable input step (S100), a predetermined number of latent variable values (z i ), which are the same number as the number of design variables of the previously performed design model, are input from the data generation unit.
상기 가상데이터 생성단계(S200)는 상기 데이터 생성부에서, 상기 잠재변수 입력단계(S100)에 의한 상기 잠재변수값들을 증강하여, 상기 가상 성능 데이터를 생성하게 된다.In the virtual data generation step (S200), the data generation unit augments the latent variable values generated by the latent variable input step (S100) to generate the virtual performance data.
상기 판별 데이터 입력단계(S300)는 상기 데이터 판별부에서, 기존 수행된 설계 모델에 의한 상기 실제 성능 데이터를 입력받고, 상기 가상데이터 생성단계(S200)에 의한 상기 가상 성능 데이터를 전달받게 된다.In the determination data input step (S300), the actual performance data based on an existing design model is input from the data determination unit, and the virtual performance data is received in the virtual data generation step (S200).
상기 판별확률 산출단계(S400)는 상기 데이터 판별부에서, 상기 판별 데이터 입력단계(S300)에 의한 상기 가상 성능 데이터와 상기 실제 성능 데이터의 판별 확률값을 0 ~ 1 사이의 값으로 산출하게 된다.In the discrimination probability calculation step (S400), the data determination unit calculates the discrimination probability value of the virtual performance data and the actual performance data by the discrimination data input step (S300) as a value between 0 and 1.
이 때, 상기 판별확률 산출단계(S400)는 도 4에 도시된 바와 같이, 제1 학습처리단계(S410)를 더 포함하게 된다.At this time, the discrimination probability calculation step (S400) further includes a first learning processing step (S410), as shown in FIG. 4.
상기 제1 학습처리단계(S410)는 상기 수학식 1과 같은 제1 손실함수를 통해, 산출한 상기 판별 확률값이 0.5가 되도록 학습을 수행하게 된다.The first learning processing step (S410) performs learning so that the calculated discrimination probability value is 0.5 through the first loss function as shown in Equation 1.
이를 위해, 상기 데이터 생성부와 데이터 판별부는 생성적 적대 신경망(GAN, Generative Adversarial Networks)을 활용하는 것이 바람직하다.For this purpose, it is desirable for the data generation unit and the data discrimination unit to utilize generative adversarial networks (GAN).
여기서, 데이터 증강(data augmentation)이란, 인공지능 알고리즘은 데이터가 많을수록 일반화 성능이 높고 반대로 데이터가 부족할수록 과적합 현상(학습 데이터에 지나치게 최적화되어 학습 데이터가 아닌 새로운 데이터에 알맞지 않은 추정을 하게 되는 현상)이 일어나게 된다. 이러한 과적합 현상을 완화하는 효과적인 기법 중 하나인 데이터 증강은 소량의 데이터만으로도 우수한 일반화 성능을 갖기 위해 학습 데이터에 실제 다양한 환경이나 특성을 반영할 수 있도록 변형을 통해 새로운 데이터(가상 성능 데이터)를 추가로 생성하게 된다.Here, data augmentation means that artificial intelligence algorithms have higher generalization performance when there is more data, and conversely, when there is insufficient data, overfitting occurs (a phenomenon in which the algorithm is overly optimized for the training data and makes inappropriate estimates for new data other than the training data). ) will occur. Data augmentation, one of the effective techniques to alleviate this overfitting phenomenon, adds new data (virtual performance data) through transformation to reflect various actual environments or characteristics in the learning data to achieve excellent generalization performance even with a small amount of data. It is created with
또한, 생성적 적재 신경망은 데이터 증강에 특히 적절한 신경망으로서, 입력되는 실제 데이터(잠재변수값)를 학습하여 비슷한 가상의 데이터를 생성하게 된다. 이러한 생성적 적재 신경망은 생성 모델과 분류 모델이 함께 들어간 복합 인공지능 모델로서, 보편 근사 정리에 따라 어떠한 함수든 우수하게 근사화할 수 있는 신경망이다.In addition, the generative loading neural network is a neural network particularly suitable for data augmentation, and generates similar virtual data by learning input real data (latent variable values). This generative loading neural network is a complex artificial intelligence model that includes a generative model and a classification model, and is a neural network that can excellently approximate any function according to the universal approximation theorem.
정규분포에서 샘플링한 잠재변수 값을 생성 모델(데이터 생성부)에 입력하며, 이와 동시에 입력받은 실제 데이터(실제 성능 데이터)의 분포를 학습할 수 있도록 가중치를 업데이트한다. 생성 모델은 적절한 학습 아래 실제 데이터와 유사한 데이터(가상 성능 데이터)를 출력하게 된다.Latent variable values sampled from a normal distribution are input into the generation model (data generation unit), and at the same time, the weights are updated so that the distribution of the input actual data (actual performance data) can be learned. The generative model outputs data similar to actual data (virtual performance data) under appropriate learning.
더불어, 분류 모델(데이터 판별부)은 생성 모델이 출력하는 가상 데이터와 기존 수행된 설계 모델에 의한 실제 데이터를 함께 입력받아, 어느 것이 실제인지 분류하는 과제를 수행하게 된다.In addition, the classification model (data determination unit) receives both virtual data output from the generation model and actual data from an existing design model, and performs the task of classifying which is real.
이를 통해서, 생성 모델과 분류 모델은 각각 적대적인 과제를 수행하게 되며, 이러한 학습 과정은 상기 제1 학습처리단계(S410)를 의미하게 된다.Through this, the generation model and the classification model each perform an adversarial task, and this learning process refers to the first learning processing step (S410).
상기 추정데이터 생성단계(S500)는 상기 데이터 역생성부에서, 상기 가상데이터 생성단계(S200)에 의한 상기 가상 성능 데이터를 전달받아, 추정된 잠재변수값을 산출하게 된다.The estimated data generation step (S500) receives the virtual performance data from the virtual data generation step (S200) from the inverse data generation unit and calculates an estimated latent variable value.
즉, 상기 데이터 역생성부를 통해서, 증강 데이터와 대응되는 설계변수 집합을 추정할 수 있도록 개발된 모델인 DGAN을 활용하게 된다.That is, through the inverse data generation unit, DGAN, a model developed to estimate a set of design variables corresponding to the augmented data, is utilized.
이 때, 역생성 신경망은 레이어 개수가 생성 신경망과 동일하도록 구성되고, 잠재변수 차원과 동일해지도록 필터 등을 설계하는 것이 바람직하다.At this time, it is desirable to design the inverse generative neural network so that the number of layers is the same as the generative neural network, and the filter, etc., is designed to be the same as the latent variable dimension.
다시 말하자면, 상기 데이터 생성부와 상기 데이터 역생성부는 동일한 레이어 개수로 구성되는 신경망 모델을 포함하여 구성되는 것이 바람직하다.In other words, it is preferable that the data generation unit and the data inverse generation unit include a neural network model composed of the same number of layers.
또한, 상기 추정데이터 생성단계(S500)는 도 4에 도시된 바와 같이, 제2 학습처리단계(S510)를 더 포함하게 된다.In addition, the estimated data generating step (S500) further includes a second learning processing step (S510), as shown in FIG. 4.
상기 제2 학습처리단계(S510)는 상기 추정된 잠재변수값이 상기의 수학식 2와 같은 제2 손실함수를 통해, 상기 잠재변수 입력단계(S100)에 의해 입력된 상기 잠재변수값과 유사하도록 학습을 수행하게 된다.The second learning processing step (S510) is such that the estimated latent variable value is similar to the latent variable value input by the latent variable input step (S100) through a second loss function such as Equation 2 above. learning is carried out.
상기 추정 설계변수 산출단계(S600)는 상기 데이터 변환부에서, 상기 추정데이터 생성단계(S500)에 의한 상기 추정된 잠재변수값을 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하게 된다.The estimated design variable calculation step (S600) is performed in the data conversion unit by converting the estimated latent variable value from the estimated data generation step (S500) into a non-normalized value according to the range of the input design variable to obtain an estimated value. Design variable values are calculated.
즉, 상기 추정 설계변수 산출단계(S600)는 학습이 완료된 후, 산출한 상기 추정된 잠재변수값이 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 것으로, 상기의 수학식 3을 이용하여 역정규화를 거쳐 설계 도메인의 물리적 범위를 반영하게 된다. 이를 통해서, 실제 데이터를 증강함과 동시에 증강된 가상 데이터의 설계변수를 함께 추정하게 된다.That is, in the estimated design variable calculation step (S600), after learning is completed, the calculated estimated latent variable value is converted to a non-normalized value according to the range of the input design variable to calculate the estimated design variable value. , the physical range of the design domain is reflected through denormalization using Equation 3 above. Through this, the actual data is augmented and the design variables of the augmented virtual data are simultaneously estimated.
정리하자면, 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법은 실제 데이터(실제 성능 데이터)와 설계변수의 예측되는 범위(입력된 설계변수의 범위)를 입력하면, 실제 데이터를 증강한 가상 데이터(가상 성능 데이터)와 가상 데이터에 대응되는 설계변수(추정된 설계변수값)를 함께 출력받음으로써, 새로운 제품의 실험 및 해석 모델의 구성 없이 신속하고 적절하게 설계변수를 추정할 수 있는 장점이 있다.In summary, the domain adaptive optimization design method using a designable generative adversarial network according to an embodiment of the present invention is achieved by inputting actual data (actual performance data) and the predicted range of the design variable (range of the input design variable). By receiving virtual data augmented with real data (virtual performance data) and design variables (estimated design variable values) corresponding to the virtual data, the design variables can be quickly and appropriately obtained without constructing an experiment or analysis model for a new product. There is an advantage in being able to estimate .
이렇게 증강 데이터와 증강된 가상 데이터의 설계변수를 이용하여, 도 4에 도시된 바와 같이, 신규 설계모델 생성단계(S700)를 더 포함하게 된다.As shown in FIG. 4, a new design model creation step (S700) is further included using the augmented data and the design variables of the augmented virtual data.
상기 신규 설계모델 생성단계(S700)는 상기 설계 모델 생성부에서, 상기 추정 설계변수 산출단계(S600)에 의한 상기 추정된 설계변수값들을 적용하여, 대상의 최적 설계 모델을 생성하게 된다. In the new design model creation step (S700), the design model creation unit applies the estimated design variable values from the estimated design variable calculation step (S600) to generate an optimal design model of the target.
즉, 실제 데이터를 증강한 가상 데이터(가상 성능 데이터)와 가상 데이터에 대응되는 설계변수(추정된 설계변수값)를 함께 출력받아, 모델을 생성함으로써, 추정된 설계변수값들의 통계치(평균, 표준편차, 신뢰구간 범위)를 최적의 설계안으로 제시하고, 그때의 생성된 가상 성능 데이터를 제시할 수 있다.In other words, by generating a model by outputting virtual data augmented with actual data (virtual performance data) and design variables (estimated design variable values) corresponding to the virtual data, statistics (average, standard value) of the estimated design variable values are generated. deviation, confidence interval range) can be presented as an optimal design plan, and the virtual performance data generated at that time can be presented.
이러한, 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템 및 그 방법은 상술한 바와 같이, 유사한 종류의 제품을 설계한 이력이 있어 성능의 적정 수준을 나타내는 성능 데이터를 소량 획득할 수 있는 상황을 가정하고, 해당하는 성능 데이터가 갖는 성능을 유지할 수 있도록 새로운 도메인의 제품 설계변수 값을 신속하게 추정할 수 있다. 이를 통해서, 뚜렷한 참고사항이 없으면서도 높은 소요비용이 발생하는 새로운 제품 도메인의 첫 설계 또는 실험을 계획할 때, 용이하게 적용할 수 있다.As described above, the domain adaptive optimization design system and method using a designable generative adversarial network according to an embodiment of the present invention have a history of designing similar types of products, and thus provide performance data indicating an appropriate level of performance. Assuming a situation where a small amount of can be obtained, the product design variable values of the new domain can be quickly estimated to maintain the performance of the corresponding performance data. Through this, it can be easily applied when planning the first design or experiment of a new product domain that has no clear reference but incurs high costs.
다만, 설계변수의 예측되는 범위(입력된 설계변수의 범위)를 과도하게 넓게 설정할 경우, 지나치게 큰 설계변수의 공간을 조사해야 하기 때문에, 설계변수 추정 정확도가 낮아지게 된다.However, if the predicted range of the design variable (range of the input design variable) is set excessively wide, the design variable estimation accuracy will be lowered because an excessively large space of the design variable must be investigated.
이를 해소하기 위하여, 전이 학습(또는 지식 전이)으로 초기 보정을 받은 상태에서, 설계 가능한 생성적 적대 신경망에 적용함으로써, 신규 데이터(추정된 설계변수값) 확보 및 계산으로 인한 비용을 절감할 수 있다.To solve this problem, the cost of securing and calculating new data (estimated design variable values) can be reduced by applying it to a generative adversarial neural network that can be designed while receiving initial correction through transfer learning (or knowledge transfer). .
상술한 바와 같이, 인공지능 알고리즘 중 가장 높은 유연성과 추론 성능으로 알려진 신경망은 학습하는데 있어 제약 조건이 있다. 훈련 데이터(학습 데이터)의 양이 충분해야 하며, 많은 데이터 양에 걸맞는 충분한 학습 처리 시간(계산 시간과 비용)이 요구된다. 새로운 문제는 그에 맞는 새로운 데이터를 충분히 확보해야 하는 동시에 학습 처리 시간이 새로이 발생하기 때문에, 유사하지만 새로운 문제를 마주할 때마다 이러한 큰 비용을 소요하는 것은 매우 비효율적이다. 그렇지만, 이를 무시하고 적은 데이터만을 가지고 학습할 경우에는 과적합을 발생시켜, 학습하지 않은 데이터에 대한 신경망이 적확한 예측을 할 수 없게 된다.As mentioned above, neural networks, which are known to have the highest flexibility and inference performance among artificial intelligence algorithms, have constraints in learning. The amount of training data (learning data) must be sufficient, and sufficient learning processing time (computation time and cost) commensurate with the large amount of data is required. Because a new problem requires securing sufficient new data and at the same time requires new learning processing time, it is very inefficient to incur such a large cost every time a similar but new problem is encountered. However, if you ignore this and learn with only a small amount of data, overfitting occurs and the neural network cannot make accurate predictions for untrained data.
이를 보완하기 위하여, 전이 학습(transfer learning)을 이용하는 것이 바람직하다. 전이 학습은 기존에 많은 학습 데이터를 사용한 신경망 가중치를 새로운 신경망(소량의 학습 데이터 셋)에 적용, 다시 말하자면, 기존 학습 신경망의 합성곱(convolutional layer)이 학습한 가중치를 새로운 신경망의 합성곱에 그대로 적용하여, 합성곱이 적은 학습을 하고 완전 연결 층(fully connected layer)만 학습하게 된다. 여기서, 가중치란, 다수 층으로 이루어진 신경망의 한 개 층의 최소 단위 구성 요소로서, 각 가중치는 연결된 노드의 계산에 사용된다. 이 노드는 입력에 가중치를 원소별로 곱한 후 총합하고 활성화 함수를 거쳐서 노드 출력값을 도출하게 된다. 신경망은 다량의 데이터 셋으로 가중치를 업데이트하면서 학습하는데, 이 가중치를 전이 학습으로 초기 보정을 받은 상태로 학습을 시행할 경우, 신규 데이터 확보 및 계산으로 인한 비용을 절감할 수 있다.To compensate for this, it is desirable to use transfer learning. Transfer learning applies the weights of a neural network using a large amount of existing learning data to a new neural network (a small amount of learning data set). In other words, the weights learned by the convolutional layer of the existing learning neural network are applied to the convolution of the new neural network as is. By applying it, less convolutions are learned and only fully connected layers are learned. Here, a weight is the minimum unit component of one layer of a multi-layer neural network, and each weight is used in the calculation of connected nodes. This node multiplies the input by the weight for each element, adds the total, and goes through an activation function to derive the node output value. Neural networks learn by updating weights with a large amount of data sets, and if training is performed with these weights initially corrected through transfer learning, costs due to securing and calculating new data can be reduced.
전이 학습은 통상적으로 상술한 바와 같이, 가중치를 통해서 지식을 전이하는 기술을 의미하지만, 지식 전이(knowledge transfer)와 같이 더 포괄적인 개념으로 혼용해서 사용하기도 한다.As described above, transfer learning generally refers to a technology that transfers knowledge through weights, but it is also used interchangeably with a more comprehensive concept such as knowledge transfer.
지식 전이는 수행하고자 하는 과제의 효과성과 효율성을 향상시키기 위하여, 다른 학습에 이용된 지식을 가져오는 행위 모두를 포괄하는 개념으로서, 전이 학습, 도메인 적응을 포함하는 것이 바람직하다.Knowledge transfer is a concept that encompasses all actions of importing knowledge used in other learning in order to improve the effectiveness and efficiency of the task to be performed, and it is desirable to include transfer learning and domain adaptation.
도메인 적응은 머신러닝 과젱에서 다루는 데이터의 영역 또는 도메인이 조금 달라졌을 때, 다르지만 유사한 기존 영역의 정보를 적응시켜서 과제 수행의 효과성과 효율성을 향상시키는 기술로서, 전이 학습 또는 지식 전이의 하위 개념으로 보는 것이 일반적이다.Domain adaptation is a technology that improves the effectiveness and efficiency of task performance by adapting information from different but similar existing areas when the area or domain of data handled in a machine learning task changes slightly. It is viewed as a sub-concept of transfer learning or knowledge transfer. It is common.
데이터 영역은 상이하지만, 기존과 같은 과제를 수행하는 것이 도메인 적응의 특징으로, 도 5에 도시된 바와 같이, 도 5의 a)를 가지고 이전에 이미지 상의 숫자를 맞추는 과제를 수행한 경험이 있다고 가정할 경우, 새로이 도 5의 b)를 가지고 같은 과제를 수행한다고 했을 때, 색상 등의 차이점이 있지만, 숫자를 포함한다는 점에서 공통분모를 가진 도 5의 a)를 활용하여 과제의 효과성과 효율성을 향상시키는 것이 도메인 적응을 활용한 것이다.Although the data area is different, performing the same task as before is a feature of domain adaptation. As shown in Figure 5, it is assumed that you have previously performed the task of matching numbers on an image with a) in Figure 5. In this case, when performing the same task with b) in Figure 5, although there are differences in color, etc., the effectiveness and efficiency of the task can be improved by using a) in Figure 5, which has a common denominator in that it includes numbers. Improvement is achieved through domain adaptation.
이러한, 본 발명의 일 실시예에 따른 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템의 적용 사례 및 생성 모델을 검증하도록 한다.We will verify the application cases and generation model of the domain adaptive optimization design system applying the designable generative adversarial network according to an embodiment of the present invention.
같은 출력 곡선 y를 가지도록 수식 두 개의 F(x)와 G(z)를 작성하고 결정론적인 설계변수 값들 x, z를 결정하였다. 수식 두 개는 유사하지만, 다른 두 개의 도메인을 대변한다. F(x)로부터 비롯된 데이터 y에 불확실성을 인가하여 도 6의 a)와 같이 Y를 생성하고, 도 8의 좌측 데이터와 같이 z의 예상 범위와 함께 설계 가능한 생성적 적대 신경망을 적용할 경우, 출력 데이터로 100개 샘플의 증강 데이터(도 6의 b))와 그에 대응되는 설계 변수 데이터(도 9의 좌측 데이터)가 출력된다.Two equations F(x) and G(z) were created to have the same output curve y, and the deterministic design variable values x and z were determined. The two formulas are similar, but represent two different domains. When uncertainty is applied to data y derived from F(x) to generate Y as shown in a) of Figure 6, and a generative adversarial network that can be designed with the expected range of z is applied as shown in the left data of Figure 8, the output is The augmented data of 100 samples (b in FIG. 6) and the corresponding design variable data (left data in FIG. 9) are output.
검증을 위해 출력된 설계변수 값들을 G 함수에 입력하여 결정론적인 곡선에 근접한 곡선을 그리는지 확인하며, 도출된 곡선이 결정론적인 곡선과 유사한 정도는 WIFac 지표를 통해서 확인할 수 있다. WIFac의 수식은 하기의 수학식 4와 같으며, WIFac은 곡선 간의 유사도를 나타내는 것에 최적화된 지표이며, 출력 범위가 0 ~ 1이기 때문에 이해하기에 직관적이다. WIFac이 1에 가까울수록 곡선 간 유사도가 높은 것이며, 도 6의 c)에 나타난 바와 같이, 설계변수 추정이 정확도 높게 이루어졌다고 해석 할 수 있다.For verification, the output design variable values are input into the G function to check whether a curve that is close to the deterministic curve is drawn, and the extent to which the derived curve is similar to the deterministic curve can be confirmed through the WIFac indicator. The formula for WIFac is as shown in Equation 4 below. WIFac is an indicator optimized for indicating the similarity between curves, and is intuitive to understand because the output range is 0 to 1. The closer WIFac is to 1, the higher the similarity between curves, and as shown in c) of Figure 6, it can be interpreted that the design variable estimation was made with high accuracy.
(여기서, WIFac은 가중적분인수,(Here, WIFac is the weighted integral factor,
n은 데이터 샘플 수,n is the number of data samples,
f[n]은 기존 성능 데이터,f[n] is existing performance data,
g[n]은 생성 된 가상 성능 데이터를 의미함.)g[n] refers to the generated virtual performance data.)
평균 값들이 결정론적 값들과 근접하고 표준편차가 작아 설계변수를 적절하게 추정했음을 알 수 있으며, 검증 차원에서 설계변수 데이터를 G 함수에 입력하여 얻은 출력 곡선들(도 6의 c))을 통해서 y에 대하여 평균 97.2%의 WIFac을 보였다.It can be seen that the design variables were appropriately estimated because the average values are close to the deterministic values and the standard deviation is small, and through the output curves (c in Figure 6) obtained by inputting the design variable data into the G function for verification purposes, y showed an average WIFac of 97.2%.
상술한 예시와는 반대로, G(z)로부터 비롯된 데이터 y에 불확실성을 인가하여 도 8의 a)와 같이 Y를 생성하고, 도 8의 우측 데이터와 같이 x의 예상 범위와 함께 설계 가능한 생성적 적대 신경망을 적용할 경우, 출력 데이터(도 7의 b))로 10개 샘플의 증강 데이터와 그에 대응되는 설계 변수 데이터(도 9의 우측 데이터)가 출력된다.Contrary to the above example, uncertainty is applied to data y derived from G(z) to generate Y as shown in a) of Figure 8, and a generative adversarial design that can be designed with the expected range of x as shown in the right data of Figure 8 When applying a neural network, augmented data of 10 samples and the corresponding design variable data (right data in FIG. 9) are output as output data (b) in FIG. 7.
이 역시도 평균 값들이 결정론적 값들과 근접하고 표준편차가 작아 설계변수를 적절하게 추정했음을 알 수 있으며, 검증 차원에서 설계변수 데이터를 F 함수에 입력하여 얻은 출력 곡선들(도7의 c))을 통해서 y에 대하여 평균 95.3%의 WIFac을 보였다.Again, the average values are close to the deterministic values and the standard deviation is small, showing that the design variables were appropriately estimated. For verification purposes, the output curves (c in Figure 7) obtained by inputting the design variable data into the F function were used. Through y, an average WIFac of 95.3% was shown.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, the present invention has been described with reference to specific details such as specific components and drawings of limited embodiments, but this is only provided to facilitate a more general understanding of the present invention, and the present invention is not limited to the above-mentioned embodiment. No, those skilled in the art can make various modifications and variations from this description.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention should not be limited to the described embodiments, and all matters that are equivalent or equivalent to the claims of this patent as well as the claims described below shall fall within the scope of the spirit of the present invention. .
Claims (9)
소정의 잠재변수값들을 입력받아, 가상 성능 데이터(virtual data)를 생성하는 데이터 생성부;
상기 데이터 생성부에서 생성한 상기 가상 성능 데이터와, 기존 수행된 설계 모델에 의한 실제 성능 데이터(actual data)를 입력받아, 상기 가상 성능 데이터와 상기 실제 성능 데이터의 판별 확률값을 산출하는 데이터 판별부;
상기 데이터 생성부에서 생성한 상기 가상 성능 데이터를 입력받아, 추정된 잠재변수값을 산출하는 데이터 역생성부;
상기 데이터 역생성부에서 산출한 상기 추정된 잠재변수값을 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 데이터 변환부; 및
상기 데이터 변환부에서 산출한 상기 추정된 설계변수값들을 적용하여, 대상의 최적 설계 모델을 생성하는 설계 모델 생성부;
를 포함하며,
상기 데이터 역생성부는
상기 추정된 잠재변수값이 기설정된 제2 손실함수를 통해서, 상기 데이터 생성부를 통해서 입력된 상기 잠재변수값과 유사하도록 학습을 수행하는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템.
In a domain adaptive optimization design system applying a designable generative adversarial network to create a new design model for an object with a performance level similar to that of an existing design model,
a data generator that receives predetermined potential variable values and generates virtual performance data;
a data determination unit that receives the virtual performance data generated by the data generation unit and actual performance data (actual data) based on an existing design model, and calculates a discrimination probability value between the virtual performance data and the actual performance data;
an inverse data generation unit that receives the virtual performance data generated by the data generation unit and calculates an estimated latent variable value;
a data conversion unit that converts the estimated latent variable value calculated by the inverse data generation unit into a denormalized value according to the range of the input design variable to calculate an estimated design variable value; and
a design model generation unit that generates an optimal design model of the target by applying the estimated design variable values calculated by the data conversion unit;
Includes,
The data reverse generation unit
A domain adaptive optimization design system using a designable generative adversarial network that performs learning so that the estimated latent variable value is similar to the latent variable value input through the data generator through a preset second loss function.
상기 데이터 판별부는
기설정된 제1 손실함수를 통해, 산출한 상기 판별 확률값이 0.5가 되도록 학습을 수행하는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템.
According to clause 1,
The data determination unit
A domain adaptive optimization design system applying a designable generative adversarial network that performs learning so that the calculated discrimination probability value is 0.5 through a preset first loss function.
상기 데이터 생성부는
기존 수행된 설계모델의 설계변수의 개수과 동일한 개수의 소정의 잠재변수값들을 입력받는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템.
According to clause 2,
The data generator
A domain adaptive optimization design system that applies a designable generative adversarial neural network that receives the same number of potential variable values as the number of design variables of the existing design model.
상기 데이터 생성부는
상기 잠재변수값들을 증강하여 상기 가상 성능 데이터를 생성하고,
상기 데이터 생성부와 상기 데이터 역생성부는
동일한 레이어 개수로 구성되는 신경망 모델을 포함하는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 시스템.
According to clause 4,
The data generator
Augmenting the latent variable values to generate the virtual performance data,
The data generation unit and the data reverse generation unit
A domain adaptive optimization design system using a designable generative adversarial network, including a neural network model with the same number of layers.
데이터 생성부에서, 기존 수행된 설계모델의 설계변수의 개수와 동일한 개수의 소정의 잠재변수값들을 입력받는 잠재변수 입력단계(S100);
데이터 생성부에서, 상기 잠재변수 입력단계(S100)에 의한 상기 잠재변수값들을 증강하여, 가상 성능 데이터(virtual data)를 생성하는 가상데이터 생성단계(S200);
데이터 판별부에서, 기존 수행된 설계 모델에 의한 실제 성능 데이터(actual data)를 입력받고, 상기 가상데이터 생성단계(S200)에 의한 상기 가상 성능 데이터를 전달받는 판별 데이터 입력단계(S300);
데이터 판별부에서, 상기 판별 데이터 입력단계(S300)에 의한 상기 가상 성능 데이터와 상기 실제 성능 데이터의 판별 확률값을 산출하는 판별확률 산출단계(S400);
데이터 역생성부에서, 상기 가상데이터 생성단계(S200)에 의한 상기 가상 성능 데이터를 전달받아, 추정된 잠재변수값을 산출하는 추정데이터 생성단계(S500); 및
데이터 변환부에서, 상기 추정데이터 생성단계(S500)에 의한 상기 추정된 잠재변수값을 입력된 설계변수의 범위에 맞추어 비정규화된 값으로 변환하여 추정된 설계변수값을 산출하는 추정 설계변수 산출단계(S600);
를 포함하며,
상기 추정데이터 생성단계(S500)는
상기 추정된 잠재변수값이 기설정된 제2 손실함수를 통해, 상기 잠재변수 입력단계(S100)에 의해 입력된 상기 잠재변수값과 유사하도록 학습을 수행하는 제2 학습처리단계(S510);
를 더 포함하는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법.
A design in which each step is performed by a domain adaptive optimization design system that applies a computer-implemented designable generative adversarial network to create a new design model for an object with a performance level similar to that of an existing design model. In a domain adaptive optimization design method applying a possible generative adversarial network,
A latent variable input step (S100) in which, in the data generation unit, a number of predetermined latent variable values equal to the number of design variables of the previously performed design model are input;
A virtual data generation step (S200) in which, in a data generation unit, the latent variable values are augmented by the latent variable input step (S100) to generate virtual performance data (virtual data);
In the data determination unit, a determination data input step (S300) of receiving actual performance data based on an existing design model and receiving the virtual performance data from the virtual data generation step (S200);
In the data determination unit, a discrimination probability calculation step (S400) of calculating a discrimination probability value of the virtual performance data and the actual performance data by the discrimination data input step (S300);
An estimated data generation step (S500) in which the inverse data generation unit receives the virtual performance data from the virtual data generation step (S200) and calculates an estimated latent variable value; and
In the data conversion unit, an estimated design variable calculation step of converting the estimated potential variable value from the estimated data generation step (S500) into a non-normalized value according to the range of the input design variable to calculate the estimated design variable value. (S600);
Includes,
The estimated data generation step (S500) is
A second learning processing step (S510) of performing learning so that the estimated latent variable value is similar to the latent variable value input by the latent variable input step (S100) through a preset second loss function;
A domain adaptive optimization design method applying a designable generative adversarial network, further comprising:
상기 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법은,
상기 추정 설계변수 산출단계(S600)를 수행하고 난 후,
설계 모델 생성부에서, 상기 추정 설계변수 산출단계(S600)에 의한 상기 추정된 설계변수값들을 적용하여, 대상의 최적 설계 모델을 생성하는 신규 설계모델 생성단계(S700);
를 포함하는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법.
According to clause 6,
The domain adaptive optimization design method applying the designable generative adversarial network is,
After performing the estimated design variable calculation step (S600),
A new design model generation step (S700) in which, in the design model generation unit, the optimal design model of the target is generated by applying the estimated design variable values from the estimated design variable calculation step (S600);
Domain adaptive optimization design method applying a designable generative adversarial network, including.
상기 판별확률 산출단계(S400)는
기설정된 제1 손실함수를 통해, 산출한 상기 판별 확률값이 0.5가 되도록 학습을 수행하는 제1 학습처리단계(S410);
를 더 포함하는, 설계 가능한 생성적 적대 신경망을 적용한 도메인 적응 최적화 설계 방법.
According to clause 6,
The discrimination probability calculation step (S400) is
A first learning processing step (S410) of performing learning so that the calculated discrimination probability value is 0.5 through a preset first loss function;
A domain adaptive optimization design method applying a designable generative adversarial network, further comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210117379A KR102602963B1 (en) | 2021-09-03 | 2021-09-03 | Optimal design system and method for domain adaptation with designable generative adversarial networks |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210117379A KR102602963B1 (en) | 2021-09-03 | 2021-09-03 | Optimal design system and method for domain adaptation with designable generative adversarial networks |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230034525A KR20230034525A (en) | 2023-03-10 |
| KR102602963B1 true KR102602963B1 (en) | 2023-11-16 |
Family
ID=85570363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210117379A KR102602963B1 (en) | 2021-09-03 | 2021-09-03 | Optimal design system and method for domain adaptation with designable generative adversarial networks |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102602963B1 (en) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101984760B1 (en) | 2017-10-20 | 2019-05-31 | 두산중공업 주식회사 | Self-designing modeling system and method using artificial intelligence |
| KR102576560B1 (en) * | 2019-11-28 | 2023-09-11 | 연세대학교 산학협력단 | Method and system for optimal design based on deep learning |
-
2021
- 2021-09-03 KR KR1020210117379A patent/KR102602963B1/en active IP Right Grant
Non-Patent Citations (3)
| Title |
|---|
| YOO, Yeongmin, et al. Data augmentation-based prediction of system level performance under model and parameter uncertainties: Reliability Eng & System safety, 2021. 2* |
| 강남우, 제너레이티브 디자인과 인공지능 기반 설계 자동화, 기계저널 Vol. 59, No.8, 2019. 8, 24-28페이지 |
| 비특허1(생성적 적대 신경망(GAN)을 이용한 딥러닝 음악 장르 분류 시스템 모델 개선) |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230034525A (en) | 2023-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mauroy et al. | Koopman-based lifting techniques for nonlinear systems identification | |
| US10713597B2 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
| CN110334875B (en) | Wind power combination probability prediction method considering evaluation index conflict | |
| EP3572985A1 (en) | System and method for generating explainable latent features of machine learning models | |
| US9390373B2 (en) | Neural network and method of neural network training | |
| Zhang et al. | Bayesian optimization approach for analog circuit synthesis using neural network | |
| Mishra et al. | A neuro-genetic model to predict hepatitis disease risk | |
| CN114387486A (en) | Image classification method and device based on continuous learning | |
| Ren et al. | Correntropy-based robust extreme learning machine for classification | |
| Goulermas et al. | Density-driven generalized regression neural networks (DD-GRNN) for function approximation | |
| Efendi et al. | Maximum-minimum temperature prediction using fuzzy random auto-regression time series model | |
| CN112580728A (en) | Dynamic link prediction model robustness enhancing method based on reinforcement learning | |
| Liu et al. | Relaxed conditions for convergence analysis of online back-propagation algorithm with L2 regularizer for Sigma-Pi-Sigma neural network | |
| KR20180087735A (en) | Apparatus for classifying image and method for using the same | |
| CN116341558A (en) | Multi-modal emotion recognition method and model based on multi-level graph neural network | |
| KR102602963B1 (en) | Optimal design system and method for domain adaptation with designable generative adversarial networks | |
| Xu et al. | An interindividual iterative consensus model for fuzzy preference relations | |
| Jo et al. | Adaptive variable-fidelity analysis and design using dynamic fidelity indicators | |
| CN113515519A (en) | Method, device and equipment for training graph structure estimation model and storage medium | |
| CN112541530A (en) | Data preprocessing method and device for clustering model | |
| Gosavi | Relative value iteration for average reward semi-Markov control via simulation | |
| US20240020531A1 (en) | System and Method for Transforming a Trained Artificial Intelligence Model Into a Trustworthy Artificial Intelligence Model | |
| US11270214B1 (en) | Providing the basis for ethical AI through explanations by coupling non-interpretable and interpretable systems | |
| Shahan et al. | Bayesian networks for set-based collaborative design | |
| CN112926738A (en) | Method, equipment and storage medium for designing neural network adaptive output layer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |