面向生成式设计优化的奖励导向扩散框架
机器学习
2025-08-05 v1 计算工程、金融与科学
摘要
本研究提出一种生成式优化框架，基于微调的扩散模型和奖励导向采样，用于生成高性能工程设计。该框架采用参数化的几何表示方式，产生对应提升性能指标的新参数集合。奖励导向方法的一个关键优势是适用于性能指标依赖于高成本工程仿真或替代模型（例如基于图形、集成模型或基于树模型）不可微或难以微分的场景。本工作引入在马尔可夫决策过程框架中迭代使用软价值函数，以实现扩散模型中的奖励引导解码。通过在训练和推理阶段整合软价值指导，该方法降低了计算和内存成本，以实现高奖励设计，甚至超出训练数据范围。实证结果表明，该迭代奖励导向方法显著提高了扩散模型生成抗力较小样本的能力，用于 3D 船舱设计和 2D 机翼设计中的流体动力学性能提升。该框架生成的样本超出训练数据分布，使船舶设计 resistance 降低 25%，2D 机翼设计升阻比提升超过 10%。将该模型成功集成到工程设计生命周期中可提升设计师的生产力和整体设计性能。
引用
@article{arxiv.2508.01509,
title = {A Reward-Directed Diffusion Framework for Generative Design Optimization},
author = {Hadi Keramati and Patrick Kirchen and Mohammed Hannan and Rajeev K. Jaiman},
journal= {arXiv preprint arXiv:2508.01509},
year = {2025}
}