김진혁, 노명일, 여인창, "다층 퍼셉트론 구조와 자동 갱신형 근사 모델 기반의 선형 최적화 방법", 2025년도 대한조선학회 추계학술발표회, 창원, pp. 131, 2025.11.13-11.14
Domestic Conference
2025.11.27 11:40
김진혁, 노명일, 여인창, "다층 퍼셉트론 구조와 자동 갱신형 근사 모델 기반의 선형 최적화 방법", 2025년도 대한조선학회 추계학술발표회, 창원, pp. 131, 2025.11.13-11.14
조회 수 616
| 첨부 '1' |
|---|
| Abstract | MLP (Multi-Layer Perceptron)를 활용한 선형 생성 방법은 MLP를 활용해 곡면을 정의하고, 이 곡면을 기준 선형에 더해 새로운 선형을 생성하는 방법이다. 이 방법은 기하학적 설계 요구 조건과 선형의 다양성을 손실 함수에 반영함으로써 고품질의 선형을 효율적으로 생성할 수 있다. 그러나 기존의 MLP를 활용한 선형 생성 방법은 선형의 복잡한 형상을 MLP가 충분히 반영하지 못해, MLP가 적용되는 구역을 제한하고 다수의 MLP를 동시에 사용해야 한다. 본 연구에서는 기존 방법의 이러한 한계를 극복하기 위해 정점의 특징과 인접 관계를 함께 학습하여 복잡한 선형의 형상을 반영할 수 있는 GNN (Graph Neural Network)을 활용하여 선형을 변환하는 방법을 제안하였다. 제안된 방법은 선형을 표현한 메쉬 (mesh)의 각 정점에서 특징 벡터 (feature vector)를 추출하고, 이를 바탕으로 선형을 변환하는 두 단계로 구성된다. 먼저, GNN이 각 정점의 특징 벡터를 효과적으로 추출할 수 있도록, node embedding을 이용하는 graph Autoencoder를 제안하였다. Encoder로 GNN을 이용하여 메쉬를 구성하는 각 정점으로부터 특징 벡터를 추출하고, decoder는 이 특징 벡터로부터 정점의 좌표를 복원하여 전체 메쉬를 재구성한다. 이때 복원된 정점의 좌표가 입력 좌표와 일치하도록 손실 함수를 정의하였다. 이후 GNN이 생성한 정점의 특징 벡터를 MLP에 입력하여 새로운 정점을 출력함으로써 선형을 변환하였다. 제안된 방법은 공개된 선형인 KCS (KRISO Container Ship)에 적용되었으며, 그 결과 선형이 효과적으로 변환됨을 확인하였다. |
|---|---|
| Publication Date | 2025-11-14 |
Prev 최성원, 노명일, 여인창, "심층 강화 학습을 이용한 협수로 ...
최성원, 노명일, 여인창, "심층 강화 학습을 이용한 협수로 ...
2026.02.12by
오승준, 노명일, 김진혁, "인공 지능을 활용한 선형 생성 방법", 2025년도 대한조선학회 추계학술발표회, 창원, pp. 131, 2025.11.13-11.14 Next
오승준, 노명일, 김진혁, "인공 지능을 활용한 선형 생성 방법", 2025년도 대한조선학회 추계학술발표회, 창원, pp. 131, 2025.11.13-11.14
2025.11.18by SyDLab
