3DID: 基于物理感知优化的直接三维逆设计用于空气动力学

逆设计旨在设计物理系统的输入变量以优化指定的目标函数，通常被表述为搜索或优化问题。然而，在三维领域中，设计空间呈指数增长，使得穷举的网格搜索不可行。深度学习的最新进展通过提供强大的生成先验和可微分代理模型加速了逆设计。然而，现有方法倾向于使用二维投影近似三维设计空间或微调现有三维形状。这些方法牺牲了体积细节并限制了设计探索，无法实现真正的从头三维设计。在本文中，我们提出了一个三维逆设计（3DID）框架，通过耦合连续潜在表示与物理感知优化策略直接导航三维设计空间。我们首先学习一个统一的物理-几何嵌入，在连续潜在空间中紧凑地捕获形状和物理场数据。然后，我们引入两阶段策略进行物理感知优化。在第一阶段，梯度引导的扩散采样器探索全局潜在流形。在第二阶段，一个以目标为导向的、拓扑保持的细化进一步塑造每个候选方案以趋近目标。这使 3DID 能够生成高保真三维几何，在解质量和设计灵活性方面均优于现有方法。