초임계 익형과 같은 복잡한 공학 설계에서는고충실도 시뮬레이션(CFD, 유한요소해석)의 단일 평가에 수십 분에서 수시간이 소요되는 경우가 많습니다. 이러한 시뮬레이션을 진화 루프에 그대로 삽입하면 매 세대마다 개체군 전체를 하나씩 평가해야 하므로, 계산 예산이 수십 세대 안에 빠르게 소진되고 탐색 가능한 검색 공간도 함께 압축됩니다.
대리 모델(surrogate model, 근사 모델, 메타 모델이라고도 함)은 저비용 근사 계산으로 고충실도 시뮬레이션을 대체하거나 부분적으로 대체합니다. 즉, 기존 시뮬레이션 샘플로부터 입력—출력 매핑을 학습하여 다목적 진화 최적화에서 후보 해의 성능을 빠르게 예측함으로써, 고정밀 시뮬레이션의 높은 비용이라는 병목을 극복합니다.
고충실도 시뮬레이션을 진화 루프에 그대로 넣을 수 없는 이유
- 병목의 원인: 초임계 익형, 구조 강도 등의 문제는 단일 CFD / 유한요소 시뮬레이션에 시간이 오래 걸리는 반면, 진화 알고리즘은 매 세대마다 개체군 전체를 평가해야 하므로 평가 횟수와 계산 예산이 거의 선형으로 소모됩니다.
- 직접적인 결과：预算被少数几代吃光，种群规模与迭代代数只能被迫压缩，多目标前沿难以被充分探索，真正的设计空间被「评估不起」所封锁。
대리 모델의 기본 원리
用基础翼型、扰动样本等기존 데이터'후보 설계 → 목표값과 제약 성능'이라는 매핑 관계를 학습하면, 그것은저렴한 근사 평가기가 됩니다. 진화 루프에서 후보 해는 먼저 대리 모델에 의해 일괄 채점되며, 점수가 높거나 불확실성이 큰 소수의 후보만 고충실도 시뮬레이션 검증에 넘겨집니다.
가속 경로의 네 단계
- 오프라인 학습: 초기 샘플링 샘플로 대리 모델을 학습하여 초기의 입력—출력 매핑을 구축합니다.
- 온라인 일괄 예측: 매 세대마다 모든 후보에 대해 여러 목표값을 동시에 예측하여, 점별 고충실도 시뮬레이션을 대체합니다.
- 대리 모델 보조 선정: 예측값과 불확실성을 결합하여 잠재력이 높거나 정보량이 많은 후보를 선정합니다.
- 환류 보정: 소량의 고충실도 결과를 샘플 라이브러리에 환류하고 대리 모델을 점진적으로 업데이트하여, 이후 예측이 실제 응답면에 지속적으로 근접하게 합니다.
정밀도와 비용의 균형
대리 모델이 복잡할수록(단순 회귀에서 가우시안 과정, 심층 신경망까지) 일반적으로 더 정확하지만, 학습과 추론 비용도 함께 증가합니다. 핵심 제약은대리 모델이 고충실도 시뮬레이션보다 현저히 빨라야 한다는 것입니다. 그렇지 않으면 새로운 병목이 됩니다. 동시에 정밀도가 선택 압력을 뒷받침할 만큼 충분해야 하며, 그렇지 않으면 진화가 잘못된 방향으로 이끌릴 수 있습니다.
경계와 위험
대리 모델은 학습 분포 근처에서만 신뢰할 수 있습니다. 검색이 후보를 분포 외 영역으로 밀어낼 때, 예측은 그럴듯해 보이지만 크게 벗어난 값을 제시하여 검색 방향을 오도할 수 있습니다. 실행 가능한 방법은 불확실성 추정값 출력, 신뢰 임계값 기반 선별 설정, 범위를 벗어난 후보에 대한 강제 고충실도 검증, 그리고 실제 오차 통계로 대리 모델 품질을 정기적으로 점검하는 것입니다.
대리 모델 가속 시뮬레이션 비교그림은 진화 최적화에서 고충실도 시뮬레이션과 대리 모델의 평가 절차를 비교합니다. 전자는 점마다 시간이 오래 걸려 대규모 개체군의 다세대 검색을 뒷받침하기 어렵고, 후자는 기존 샘플로 후보 설계에서 목표값으로의 매핑을 학습하여 일괄 고속 예측합니다. 상위 순위이거나 불확실성이 큰 후보만 고충실도 검증에 넘기고, 그 결과를 환류하여 대리 모델을 업데이트함으로써 희소한 시뮬레이션 예산을 핵심 후보에 집중시킵니다.
