Multi-fidelity 서로게이트·샘플링 기반 전산 최적설계
Computational design optimization with multi-fidelity surrogates and sampling
연구 내용
복수 시뮬레이션 모델과 이질적 응답 데이터를 활용해 multi-fidelity 서로게이트를 구축하고, 적은 비용으로 최적설계를 수행하는 연구입니다.
이 분야는 고비용·저비용 시뮬레이션이 혼재된 환경에서 Gaussian process 기반 서로게이트를 구성하고, fidelity 간 정보이동을 통해 예측 성능과 비용을 동시에 관리하는 방법을 다룹니다. 또한 데이터의 응답 특성이 이질적인 경우에 대비해 다중 응답 데이터셋에 대한 통합 서로게이트 프레임을 제안하고, low-fidelity 데이터 소스 품질을 반영해 샘플링과 업데이트 전략을 최적화합니다. 더불어 다수 시뮬레이션 모델을 고려한 샘플링 접근을 통해 최적설계에서 필요한 실험점 수를 줄이고 수렴성을 높이는 차별성을 갖습니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
초기에는 여러 시뮬레이션 모델이 존재하는 상황에서 시스템 신뢰성 기반 최적설계를 위한 샘플링 접근을 정리하였습니다. 이후 Gaussian process를 중심으로 데이터의 이질성이 존재할 때도 동작하는 multi-fidelity 서로게이트 통합 프레임을 구축하였습니다. 2024년 이후에는 저신뢰도 데이터의 유도 역할을 반영하는 low-fidelity-guided 설계변수 샘플링으로 확장하였고, 2025년에는 여러 low-fidelity 데이터 소스의 품질을 기반으로 적응형 multi-fidelity 서로게이트 업데이트를 수행하는 방향으로 연구를 심화하였습니다. 에너지 클라우드 최적화 관련 과제를 통해 알고리즘의 적용 가능성도 점검하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
- 고비용 시뮬레이션 대체 예측
- multi-fidelity 설계공간 탐색
- 저신뢰 데이터 품질 기반 가중
- 샘플 수 최소화 최적설계
- 통합 서로게이트 모델링
- 이질적 응답 데이터 학습
- 수렴성 기반 샘플링 설계
- 제약조건 포함 DOE 자동화
- 모형 기반 강화학습 결합
- 에너지 시스템 최적화 알고리즘
관련 논문
구분
제목
A new sampling approach for system reliability-based design optimization under multiple simulation models
A comprehensive multi-fidelity surrogate framework based on Gaussian process for datasets with heterogeneous responses
A novel low-fidelity-guided design of experiments for multi-fidelity surrogate modeling
A novel adaptive quality-based multi-fidelity surrogate framework for multiple low-fidelity data sources
관련 프로젝트
구분
제목
에너지 클라우드를 위한 최적화 알고리즘 개발