使用可微代理模型对约束构型进行摊销式合成

在设计、制造与控制问题中，我们经常面临合成任务，即必须生成满足一组约束同时最大化一个或多个目标函数的对象或构型。合成问题通常由物理过程刻画，其中许多不同实现均可达成目标。这种多对一映射给前馈合成的监督学习带来挑战，因为可行设计的集合可能具有复杂结构。此外，许多物理模拟的不可微本性阻碍了高效的直接优化。我们通过一个可视为自编码器的两阶段神经网络架构解决这两个问题。我们首先学习解码器：一个近似多对一物理实现过程的可微代理模型。然后我们学习编码器，其从目标映射到设计，同时使用固定的解码器评估实现的质量。我们在两个案例研究中评估该方法：增材制造中的挤出机路径规划与约束软体机器人逆运动学。我们将我们的方法与使用所学代理模型直接优化设计以及监督学习合成问题进行比较。我们发现，相比监督学习，我们的方法产生更高质量的解决方案，同时在质量上与直接优化相当，而计算成本大幅降低。