본 논문은 자동차 공기역학과 같은 응용 분야에서 혁신적인 발전을 가져올 수 있는 신경 대리 모델링의 최근 발전에 대해 다룹니다. 산업 규모의 문제는 종종 1억 개에 달하는 셀 수를 가진 체적 메쉬를 포함하여 확장성에 큰 과제를 제시합니다. 복잡한 기하학적 구조는 복잡한 표면-체적 상호 작용을 통해 모델링을 더욱 복잡하게 만드는 반면, 와류와 같은 양은 매우 비선형적이며 엄격한 발산 없는 제약 조건을 만족해야 합니다. 이러한 요구 사항을 해결하기 위해, 본 논문은 CFD 시뮬레이션을 위한 신경 대리 모델을 구축하기 위한 새로운 모델링 체계인 AB-UPT를 제시합니다. AB-UPT는 (i) 다중 분기 연산자를 통해 기하학적 인코딩 및 예측 작업을 분리하고, (ii) 저차원 잠재 공간에서 신경 시뮬레이션과 고충실도 출력을 예측하기 위한 고정 신경장 디코더를 결합하여 고해상도 출력으로의 확장성을 가능하게 하며, (iii) 새로운 발산 없는 공식을 통해 물리적 일관성을 강화하도록 설계되었습니다. 본 논문은 AB-UPT가 3만3천개에서 1억5천만개에 이르는 메쉬 셀을 가진 자동차 CFD 시뮬레이션에서 표면 및 체적 필드에 대한 최첨단 예측 정확도를 제공함을 보여줍니다. 또한, 제안된 고정 신경장 아키텍처는 성능 저하 없이 물리적 예측에 대한 하드 물리적 제약 조건을 강화할 수 있으며, 발산 없는 와류장 모델링을 통해 예시됩니다. 특히, 제안된 모델은 하루 이내에 단일 GPU에서 훈련될 수 있으며, 몇 초 안에 산업 표준 표면 및 체적 필드를 예측할 수 있습니다. 또한, 본 논문은 제안된 방법의 유연한 설계를 통해 비용이 많이 드는 CFD 메싱 절차 없이 CAD 기하학만으로 신경 시뮬레이션을 가능하게 함을 보여줍니다.
