aicfd#

CFD 해석 결과를 신경망으로 예측하는 모델 5종의 기술 문서다. 건물 외부 유동, 사무실 실내 공조, 비강 기류를 각각 다루는데, 다루는 대상은 달라도 학습 골격은 하나를 같이 쓴다.

모델마다 독립된 repo 로 관리하고 배포한다. 이 superproject 는 배포용이 아니라, 다섯을 나란히 두고 한자리에서 읽기 위한 것이다.

어디부터 읽나#

용어#

문서 전체가 아래 표기를 따른다. 코드 식별자는 등폭체(nondim), 개념어는 일반 서체다.

모델 이름#

repo 이름을 그대로 쓰고 줄이지 않는다. 이름은 aicfd-<표현>-<대상>-<target> 순서다. 세 자리 중 하나라도 빼면 이름이 겹친다. 비강을 다루는 repo 가 aicfd-grid-nasal-rgb 과 aicfd-mesh-nasal-physical 둘이라서, 대상만으로는 어느 쪽인지 알 수 없다.

대상이 target 보다 앞에 온다. 그래서 이름순으로 늘어놓으면 같은 대상을 다루는 repo 가 붙어 나온다. aicfd-grid-building-physical 바로 다음이 aicfd-grid-building-rgb 이고, 그 뒤에 aicfd-grid-indoor-physical 이 온다.

• 첫째 자리는 표현이다. grid 는 유동 해석 결과의 체적 단면을 격자로 예측한다. mesh 는 유한요소 해석 결과의 벽면 flux 장을 표면 mesh 위에서 예측한다. WSS 는 그중 첫 필드이고, 수증기 질량 flux 와 벽면 열 flux 가 추가될 예정이다.
• 둘째 자리는 대상이다. building 은 건물 외부 유동, indoor 는 사무실 1개 실내, nasal 은 비강이다.
• 셋째 자리는 target 이다. physical 은 물리량이고, rgb 는 렌더 이미지다.

두 개의 분류 축#

두 축의 교집합을 부를 때는 물리량-grid(aicfd-grid-building-physical, aicfd-grid-indoor-physical), 물리량-mesh(aicfd-mesh-nasal-physical), 렌더-grid(aicfd-grid-building-rgb, aicfd-grid-nasal-rgb) 로 쓴다.

그 밖의 용어#

모델 목록#

aicfd-grid-building-rgb 과 aicfd-grid-nasal-rgb 의 AE/EDM 코드는 뿌리가 같고, aicfd-grid-nasal-rgb 은 거기서 회귀만 남긴 부분집합이다. aicfd-grid-indoor-physical 은 AE/EDM/3D 코드가 들어 있기는 하지만 실내 데이터에 맞게 배선되어 있지 않다.

표에 없는 차이는 대부분 도메인에서 온다. 격자 크기, 조건 입력 구성, 데이터 규모 같은 것들이다. 구조를 이해하는 데 필요한 차이는 위 표와 데이터 공간, 모델별 차이 에 모아 두었으니 그쪽을 보면 된다.

공통 아키텍처#

여기서부터는 다섯 모델이 함께 쓰는 골격이다. 각 repo 가 따로 배포되기 때문에 이 골격은 공용 패키지가 아니라 repo 마다 들어 있는 복사본이다. 그래서 한쪽을 고치면 나머지에도 같은 수정을 옮겨야 한다 (패키지 디렉터리는 다섯 repo 모두 aicfd/ 다).

학습 루프#

Workspace(fold 단위) → Trainer(epoch 단위) → finalize_fold

scripts/train.py 가 fold 를 순회하고, 각 fold 안에서 epoch 을 돌리며 검증 지표가 개선되지 않으면 조기 종료한다 (patience 초과 시 최고 성능 checkpoint 로 복원). fold 종료 시 post-hoc EMA 후보를 골라 test 를 돌리고 결과 csv 를 쓴다.

데이터 적재#

Collator 는 CPU 에서 float32 로만 동작하고, GPU 이동은 to_device 가 일괄 처리한다. Dataset 변종은 단일 슬라이스(DatasetImage), 깊이 윈도우(DatasetDepthSeq), 케이스 전체(DatasetDepthCase) 세 가지다.

aicfd-mesh-nasal-physical 은 Collator 가 없다. mesh 는 vertex 수가 가변이고 희소 연산자를 함께 들고 다녀 하나의 밀집 텐서로 묶을 수 없다. Dataset 이 기하 연산자 사전계산과 target 정규화까지 마친 샘플 dict 를 내보내고, 배치는 collate_fn=list 로 만든 파이썬 리스트다.

모델 기반 클래스#

models/base_model.py 의 BaseModel 이 train/val/eval 루프, 온라인 가중치와 EMA 가중치를 바꿔 끼우는 컨텍스트 매니저, checkpoint 생성·적재를 담당한다. 확산 계열은 BaseModelPostHocEMA 를 써서 여러 EMA 표준편차 후보를 사후 재구성해 최적을 고른다. 회귀 계열은 일반 SWA 형태의 EMA 를 쓴다.

Metric 컨테이너#

Metric 은 {예측 필드: {지표 이름: [값]}} 구조의 dict 서브클래스로, 배치 누적(.sum)·가중(.mul)·이름 병합(.extend) 만 제공한다. 지표의 정의와 해석은 Metric 문서 에 있다.

공유 범위#

check_drift.sh 가 위 구분대로 검사한다.

데이터 공간#

디스크에 저장된 값이 그대로 신경망에 들어가지는 않는다. 어느 모델이든 저장값을 크기가 $O(1)$ 인 학습 공간으로 한 번 옮기고, 평가할 때 그 변환을 그대로 되돌린다. 변환은 전부 invertible affine 이라 되돌리는 데 오차가 없다. 변환의 모양은 다섯 모델이 다르지 않다. 그 affine 을 어떻게 정하느냐만 다르다.

공간 목록#

dequantization (grid 공통)#

grid 모델은 저장값이 uint16 이라, 무엇을 하든 먼저 물리 단위로 풀어 놓는다.

amin/amax 는 필드별 저장 범위이고 cfg.dataset.maxima 로 넘어온다. velocity 는 풀고 나서 u/v/w 3채널로 나뉜다. 렌더-grid 는 저장값이 이미 이미지 바이트라 이 단계가 아예 없다.

nondim#

물리 단위로 풀어 놓은 값(렌더-grid 라면 저장 바이트)을 다시 신경망이 입력으로 받는 $O(1)$ 공간으로 옮긴다. 이것도 invertible affine 이다. 모델마다 다른 건 계수를 어떻게 잡느냐뿐이다.

식과 유도, 통계를 어디서 구하는지는 nondim 에 모아 두었다.

조건 입력의 단위#

physical_info 는 같은 배열이라도 자리에 따라 단위가 다르다. 물리량-grid 에서 정규화 계수를 계산할 때 이 구분을 놓치면 계수가 틀어진다.

모델은 정규화값에서 원값을 복원해 계수를 만든다 — building 은 풍속에 100 을 곱하고, indoor 는 PINFO_DIVISORS 를 되곱한다. _batch_pinfos() 가 위치 차이를 흡수한다. 렌더-grid 는 조건 입력을 정규화 계수에 쓰지 않으므로 이 구분이 필요 없다.

모델별 차이#

공통 구조는 위에서 다뤘으니, 여기서는 모델마다 다른 부분만 본다. 먼저 다섯을 나란히 놓고 무엇이 들어가서 무엇이 나오는지부터 확정하고, 그 다음에 모델별로 설명이 필요한 것만 따로 본다.

입출력 사양#

2D 회귀 기본 설정(reg-*-base, diffusionnet-base) 기준이다. 신경망이 실제로 받는 것은 기하 입력과 scalar 조건 둘뿐이고, 정답 필드는 어느 경로로도 입력에 들어가지 않는다 (예외는 깊이 경로).

proximity_mask 는 2D 슬라이스에 z 방향 맥락을 주는 채널이다. 각 화소에서 형상이 있는 가장 가까운 아래 슬라이스와 위 슬라이스까지의 거리를 재고 그 역수를 넣는다. 그래서 두 채널이다. 한 장짜리 단면만 보고는 알 수 없는 "이 화소가 건물 바로 위인가, 한참 위인가" 를 이것이 알려준다.

깊이 경로 (3D)#

3D 회귀는 위 표와 두 군데가 다르다. 슬라이스를 $D$ 장씩 묶어 $(b,c,D,h,w)$ 로 다룬다.

그래서 3D 회귀는 조건 생성기가 아니라 깊이 방향 보간기다. 학습할 때는 몇 장을 줄지 (depth_mask) 샘플마다 새로 정하고, 평가할 때는 창을 옮겨 가며 케이스 전체를 복원한다.

aicfd-grid-building-physical#

가장 많은 모델군을 갖는다. contour 는 공간을 함께 들고 다니는 ContourDict 로 다루고, physical ↔ nondim ↔ {edm, ldm} 을 샘플별 계수로 왕복한다.

Latent 계열은 AE 두 개(도메인·contour)를 불러 nondim → latent → ldm 으로 인코딩하고, 평가 때만 디코더를 쓴다. 3D 모델은 contour 에 깊이 축을 더한 (b,c,D,h,w) 를 다룬다 — 깊이 경로 참고.

fluid 영역은 obj 단면을 z 슬라이스마다 래스터화해 만든다. 이 방법이 성립하는 이유는 외부 유동이기 때문이다 — 해석 영역이 풍동 상자이고 건물이 그 안의 장애물이라 "solid = obj 내부"가 유체의 여집합과 정확히 일치한다.

aicfd-grid-indoor-physical#

단일 사무실 형상이라 모델·각도 축이 없다. 예측 필드는 velocity 와 temperature 이며 온도는 섭씨로 저장한다.

좌표계는 해석 결과의 로컬 프레임(최소 코너가 원점)을 따르고, 전처리가 obj 를 그 프레임으로 평행이동한다. z 는 양쪽이 같은 기준이라 그대로 쓴다. gt_max_height.txt 에 기록되는 216 은 contour 의 최대 변 길이(화소)이며, pad 캔버스 크기는 이 값보다 커야 한다.

• 캔버스: 216×153 도메인을 256² 캔버스에 채워 넣는다(crop 이 아니라 pad). 학습은 임의 위치, 평가는 좌하단 고정.
• fluid 마스크: domain_mask/255 를 연속값 마스크로 써서 정답과 예측 양쪽에 곱한다. 경계는 0~1 사이, pad 영역은 0 이다.
• 조건 입력: 모델은 5점 관측에서 전체 장을 복원하는 보간기다. 엑셀 조건표(풍속·발열량·평형온도)는 실시간에 관측할 수 없어 입력에서 제외돼 있다. 남은 것이 입출력 사양 의 6채널이다.
• 정규화: 풍속이 입력이 아니므로 기준 풍속 구간이 없다. 채널당 전역 scale 하나 + 온도 bias.

fluid 영역은 obj 그룹별 단면 래스터와 CFD 점군 bounding box 의 교집합이다. 설계 근거는 fluid 영역 정의 참고.

온도 단위는 원본 .ip 만 켈빈이고, 전처리에서 섭씨로 바꾼 뒤로는 저장·metric·출력이 모두 섭씨다. nondim 공간은 온도차라서 켈빈과 섭씨가 같다.

aicfd-grid-building-rgb#

aicfd-grid-building-physical 과 같은 모델군을 갖되 target 이 렌더 이미지다. 물리 단위 공간이 없고 정규화가 상수이므로 ContourDict 도 샘플별 계수도 없다. 정규화 상태를 갖는 것은 EDM/LDM 뿐이고 그 계수는 checkpoint 에 저장된다.

EDMCollator 의 기본값 scale=2/255, bias=-1 은 추가 정규화가 필요 없는 경로(LDM, 3D 회귀)를 위한 것이라 결과가 그냥 [-1,1] 이다. 도메인 밖은 흰색(1)으로 채운다.

aicfd-grid-nasal-rgb#

aicfd-grid-building-rgb 에서 회귀 2D·3D 만 남긴 부분집합이다. 확산도 AE 도 없고 정규화 상태 자체가 없다 (3D 는 깊이 경로). 가장 작은 grid 모델이라 공통 코드 변경을 먼저 확인해 보기 좋다.

aicfd-mesh-nasal-physical#

유일한 mesh 모델이다. vertex 수가 가변인 삼각형 표면을 그대로 받아 vertex 별 스칼라 WSS 를 예측한다. 격자도, 화소 공간도, Collator 도, 확산·AE 도 없다.

h5 (verts/faces, 면 중심 WSS, 면적, 유속, cavity 부피, vertex 별 단면적)
  → normalize_positions → get_operators (Laplacian, 질량, eigenpair, gradient operator)   [디스크 캐시]
  → physical_to_nondim → 면 값을 면적가중으로 vertex 에 뿌림
  → net(features, 기하 연산자, FiLM(유속, 단면적)) → vertex 별 예측
  → nondim_to_physical → metric (WSS 단위)

• input scalar: 좌표, HKS, 또는 둘 다. HKS 는 디스크 캐시.
• 조건화: 단면적을 조건으로 같이 주는 이유는 WSS 를 정하는 국소 유속이 유량÷단면적이기 때문이다. 단면적은 벽 건너편까지 봐야 나오는 값이라 표면 위의 확산만으로는 복원되지 않는다. cavity 안에서 조화 퍼텐셜을 풀어 등위면 조각의 넓이를 vertex 마다 스칼라 하나씩 주고, 그 값으로 조건화한다 (구하는 법은 전처리, 조건 구성은 입출력 사양). 유량이 절대 단위로 들어오므로 단면적도 절대 단위로 두어야 둘의 비가 유속이 된다.
• 기하 연산자: Laplacian eigendecomposition 이 가장 오래 걸리므로 (verts, faces) 해시를 키로 디스크 캐시한다.
• 배치 크기는 1 이다. 여러 샘플을 묶어야 하면 accum_steps 로 기울기를 누적한다.
• 정밀도: 기하·확산 연산은 float32 고정, MLP 만 자동 혼합정밀도.
• 크기 계수는 해석 설정값에서 정한다. ρ, ν, 라벨을 질량유량으로 바꾸는 상수가 전 케이스 공통이라 셋을 곱해 두면 target 이 dimensionless group 그 자체가 되고, 통계가 들어갈 자리가 없다.

평가 결과는 vertex 별 WSS 스칼라와 turbo 색을 담은 이진 PLY 로, 예측과 정답을 같은 색 범위로 나란히 저장한다.

표면 flux 확장#

이 모델의 대상은 벽면 flux 장 전반이고 WSS 는 그중 첫 필드다. 수증기 질량 flux 와 벽면 열 flux 가 추가될 예정이다. 현재 구현은 단일 필드로 고정돼 있어 확장 시 다음이 바뀐다.

세 필드는 모두 벽면 법선 방향 기울기에 수송계수를 곱한 flux 이고, 면적분이 면 상수값 × 면적으로 정리된다. 구조가 같아서 면적가중 기준값과 면적가중 metric 이 그대로 적용된다.

기준값의 유속 의존성만 필드별로 다르다 — WSS 의 지수는 WSS nondimensionalization 참고.

파일 지도#

grid 4종 공통 경로다. aicfd-mesh-nasal-physical 은 collator.py·edm_helper.py 가 없다.