面向不确定性下几何设计的深度生成模型
机器学习
2022-03-10 v2
摘要
深度生成模型已证明在学习紧凑且富有表现力的设计表征方面行之有效，可显著改进几何设计优化。然而，这些模型未考虑由制造或加工引入的不确定性。以往量化此类不确定性的工作常对几何变异做简化假设，而由于高维特性，“真实世界”的不确定性及其对设计性能的影响难以量化。为解决该问题，我们提出一种基于生成对抗网络的不确定性下设计框架（GAN-DUF），其包含一个深度生成模型，可同时学习标称（理想）设计的紧凑表征，以及给定任意标称设计时加工后设计的条件分布。我们在两个真实世界工程设计实例上演示了该框架，并展示了其找到加工后具有更优性能的解的能力。
引用
@article{arxiv.2112.08919,
title = {Deep Generative Models for Geometric Design Under Uncertainty},
author = {Wei Wayne Chen and Doksoo Lee and Wei Chen},
journal= {arXiv preprint arXiv:2112.08919},
year = {2022}
}
备注
AAAI 2022 Workshop on AI for Design and Manufacturing (ADAM)