전문가 시연으로부터 적응형 메쉬 생성을 위한 반복적 크기 필드 예측

많은 엔지니어링 시스템은 복잡한 물리적 시스템의 정확한 시뮬레이션을 요구합니다. 그러나 해석적 솔루션은 단순한 문제에만 적용 가능하여, 유한 요소 방법(FEM)과 같은 수치 근사를 필요로 합니다. FEM의 비용과 정확도는 기본 컴퓨팅 메쉬의 해상도와 함께 증가합니다. 계산 속도와 정확도를 균형 있게 맞추기 위해 적응형 해상도를 가진 메쉬가 사용되며, 기하학의 중요한 부분에 더 많은 자원을 할당합니다. 현재 실무자들은 종종 수작업으로 제작한 메쉬에 의존하게 되며, 이는 광범위한 전문가 지식을 요구하고 얻는 데 비쌀 수 있습니다. 우리의 접근 방식인 전문가 재구성을 통한 적응형 메싱(AMBER)은 메쉬 생성을 모방 학습 문제로 봅니다. AMBER는 그래프 신경망과 온라인 데이터 수집 기법을 결합하여 주어진 중간 메쉬에 대한 전문가 메쉬의 예상 크기 필드를 예측하여 더 정확한 다음 메쉬를 생성합니다. 이 반복 과정은 추론 중에 임의의 새로운 기하학에 대해 전문가 메쉬 해상도의 효율적이고 정확한 모방을 보장합니다. 우리는 AMBER를 사람 전문가가 제공한 유 heuristic 2D 메쉬와 3D 메쉬에서 실험적으로 검증하여 제공된 시연과 밀접하게 일치하고 단일 단계 CNN 기준을 초과했습니다.