基于可微分物理信息神经算子加速梯度设计优化： composites 自燃炉加工案例研究

仿真与优化是推进复杂系统和工艺工程设计的关键。传统优化方法因依赖资源密集型仿真（如有限元分析）以及严格的优化算法的复杂性，导致计算时间和工作量巨大。数据无关的 AI 基于替代模型，如物理信息神经算子 (PINO)，提供了具有巨大潜在推理速度、卓越数据效率和零样本超分辨率能力的有前景的替代方案。然而，这些模型的预测精度常受限于小规模低维设计空间或相对简单动力学系统。为此，我们引入一种新型物理信息深层 DopONet (PIDON) 架构，将常规神经算子能力扩展到有效建模跨高维设计空间和广泛动态设计配置的复杂工程系统的非线性行为。这种新架构超越现有 SOTA 模型，实现更广泛设计空间的更好预测。利用 PIDON 的可微性，我们集成了基于 Adam 优化器的梯度优化方法，以高效确定最优设计变量。这形成了一个在端到端梯度优化框架中加速设计过程，同时提升可扩展性和效率的系统。我们在航空航天级 composites 烘焙工艺优化中展示了该框架的有效性，较梯度无效方法实现了 3 倍获取最优设计变量的加速。除 composites 加工外，所提出的模型可作为面向更广泛应用的可扩展高效优化工具，用于更先进的工程和数字孪生系统。