用于机械系统配置设计的深度生成模型

生成式人工智能在应对各种设计挑战方面取得了显著进展。生成式人工智能可以带来巨大价值的一个突出领域是工程设计。特别是，选择一组最优的组件及其接口来创建一个满足设计要求的机械系统，是工程师面临的最具挑战性和最耗时的任务之一。这种配置设计任务本质上具有挑战性，原因在于其类别性质、解决方案必须满足的多种设计要求，以及依赖物理仿真来评估潜在解决方案。这些特性意味着需要解决一个涉及黑箱函数的多约束组合优化问题。为了应对这一挑战，我们提出了一种深度生成模型，用于预测给定设计问题的最优组件和接口组合。为了演示我们的方法，我们解决了一个齿轮传动系统综合问题，首先使用语法、零件目录和物理仿真器创建了一个合成数据集。然后，我们使用该数据集训练了一个名为 GearFormer 的 Transformer，它不仅可以自行生成高质量的解决方案，还可以增强诸如进化算法和蒙特卡洛树搜索等搜索方法。我们表明，GearFormer 在满足指定设计要求方面优于这些搜索方法本身，并且生成时间快了几个数量级。此外，我们展示了利用 GearFormer 和搜索方法的混合方法的优势，这进一步提高了解决方案的质量。