비매개변수 음향 메타물질 역설계를 위한 잠재공간 상 데이터 증강 기반 향상된 심층생성모델 개발 = Enhanced Deep Generative Modeling for the Inverse Design of Non-parametric Acoustic Metamaterials via Latent Space Data Augmentation

국문 초록 (Abstract)

음향 메타물질의 일종인 환기형 음향 공진기(Ventilated acoustic resonator, VAR)는 환기가 필수적인 도시 환경에서 효과적인 소음 감소 솔루션을 제공한다. VAR 구조와 그에 상응하는 음향 응답 간의 상당한 비선형성은 분석적 접근을 통한 VAR의 역설계에 상당한 어려움을 야기한다. 이러한 구조의 역설계를 해결하기 위해 딥러닝이 사용되어 왔지만, 기존의 딥러닝 기반 역설계 방법은 매개변수로 정의되는 구조에 국한되어 설계 유연성이 제한적이며, 이는 정확한 역설계 성능을 저해한다. 이 문제를 해결하기 위해, 우리는 이중-변이형 오토인코더(Dual-variational autoencoder, Dual-VAE)와 반복적 전이 학습 방법으로 구성된 비-매개변수(non-parametric) VAR을 위한 새로운 역설계 프레임워크를 제안한다. Dual-VAE는 구조 VAE와 음향 응답 VAE로 구성되며, 이들의 잠재 공간은 목표 음향 응답을 나타내는 비-매개변수 VAR 구조의 정확한 역설계를 촉진하도록 정렬된다. 반복적 전이 학습 방법은 오직 매개변수적 VAR 구조로만 구성된 초기 훈련 데이터셋에 생성된 비-매개변수 VAR 구조를 점진적으로 증강함으로써 Dual-VAE의 역설계 성능을 향상시키기 위해 사용된다. 전이 학습된 Dual-VAE는 초기 매개변수 VAR 데이터셋으로만 훈련된 Dual-VAE에 비해 목표 음향 응답과의 평균 제곱 오차(MSE)에서 약 32.27% 감소를 보였다. 우리는 목표 성능을 달성하는 비-매개변수 구조를 생성하는 데 탁월한 성능을 보이는 역설계 프레임워크를 도입함으로써, 높은 비선형성을 가진 복잡한 구조의 역설계를 위한 새로운 접근 방식을 제시한다.

다국어 초록 (Multilingual Abstract)

Ventilated acoustic resonators (VARs), a type of acoustic metamaterial, provide effective noise reduction solutions in urban environments where ventilation is essential. The significant non-linearity between the VAR structure and the corresponding acoustic response poses substantial challenges to the inverse design of VARs using analytical approaches.
Although deep learning has been employed to address the inverse design of the structures, deep learning-based methods are confined to structures defined by parameters, resulting in limited design flexibility which hinders accurate inverse design performance. To address this issue, we propose a novel inverse design framework for non-parametric VARs, consisting of a Dual-Variational Autoencoder (Dual-VAE) and an iterative transfer learning method. Dual-VAE comprises a structure VAE and an acoustic response VAE, with their latent spaces aligned to facilitate the accurate inverse design of non-parametric VAR structures exhibiting the target acoustic response. The iterative transfer learning method is utilized to enhance the inverse design performance of the Dual-VAE by iteratively augmenting the initial training dataset, which consists solely of parametric VAR structures, with generated non-parametric VAR structures. The transfer-learned Dual-VAE (TL-Dual-VAE) demonstrated an approximate 32.27% reduction in Mean Squared Error (MSE) relative to the target acoustic response compared to the Dual-VAE trained only on the initial parametric VAR dataset. By introducing an inverse design framework that exhibits improved performance in generating non-parametric structures achieving target performance, we present a new approach for the inverse design of complex structures with high non-linearity.

목차 (Table of Contents)

• 1. 서론 1
• 2. Ventilated acoustic resonator 4
• 2.1 VAR의 구조 4
• 2.2 VAR의 수치 시뮬레이션 5
• 3. Dual-VAE 구조 6
• 3.1 VAE 6
• 3.2 Dual-VAE 8
• 4. Iterative transfer learning method 11
• 4.1 Prediction model 14
• 4.2 Generation of non-parametric VAR structures and iterative trasfer learning method 14
• 5. Result and discussion 16
• 6. 결론 25
• 참고문헌 27