Dmsh: 모든 사각형 메쉬 생성을 위한 다중 에이전트 강화 학습 프레임워크

Dmsh: A Multi-Agent Reinforcement Learning Framework for All-Quad Mesh Generation

임의의 형상에 대해 고품질 메쉬를 생성하는 것은 계산 공학 분야에서 근본적인 난제로 남아 있으며, 종종 휴리스틱 튜닝과 반자동 워크플로우가 필요합니다. 본 논문에서는 Dmsh를 소개합니다. Dmsh는 기하학적 분해와 사각형 메쉬 생성을 단일 학습 기반 프레임워크로 통합하는 최초의 완전 자동화된 강화 학습 파이프라인입니다. Dmsh는 세 개의 조정된 에이전트를 통해 문제를 해결하며, 이 에이전트들은 각각 토폴로지 단순화, 기하학적 정규화 및 메쉬 생성을 담당합니다. 메쉬 생성 프로세스는 마르코프 의사 결정 프로세스로 정의되고, 독립적인 크리틱을 갖는 파라미터 Soft Actor-Critic 아키텍처를 사용하여 해결됩니다. 이를 통해 하이브리드 형태의 이산-연속 행동 공간을 효율적으로 탐색할 수 있습니다. 커리큘럼 학습 전략은 간단한 영역에서 매우 복잡한 형상으로 확장성을 보장하며, 초기 조건에 대한 민감도를 줄입니다. 설계상, 재귀적 분해를 통해 하위 영역의 병렬 메쉬 생성이 가능하며, 사후 수정 없이 전역적으로 일관된 모든 사각형 메쉬를 생성할 수 있습니다. 다양한 벤치마크에서 Dmsh는 기존 방법보다 자동화, 견고성 및 메쉬 품질 측면에서 꾸준히 우수한 성능을 보이며, 학습 기반 메쉬 생성을 위한 새로운 패러다임을 제시합니다.

Generating high-quality meshes for arbitrary geometries remains a fundamental bottleneck in computational engineering, often demanding heuristic tuning and semi-manual workflows. In this paper, we introduce Dmsh, a first fully automated reinforcement learning pipeline that unifies geometric decomposition and quadrilateral mesh generation within a single learning-based framework. Dmsh decomposes the problem through three coordinated agents handling topology simplification, geometric regularization, and mesh generation. The meshing process is formulated as a Markov Decision Process and solved using a parametric Soft Actor-Critic architecture with decoupled critics, enabling efficient exploration of a hybrid discrete-continuous action space. A curriculum learning strategy ensures scalability from simple domains to highly complex geometries, suppressing seed variance. By design, the recursive decomposition enables parallel meshing of subregions, yielding globally conforming all-quadrilateral meshes without post hoc correction. Across a wide range of benchmarks, Dmsh consistently outperforms existing methods in automation, robustness, and mesh quality, establishing a new paradigm for learning-based mesh generation.