设计目标达成指数：一种用于增强多目标逆向设计中深度生成模型的可微度量

深度生成式机器学习模型因能够学习并模仿复杂数据分布，在设计界日益受到青睐。尽管早期工作前景可期，但其进一步推进有赖于解决若干关键问题，如设计质量、可行性、新颖性以及定向逆向设计。我们提出设计目标达成指数（Design Target Achievement Index, DTAI），这是一种可微、可调的度量，用于评估设计达成设计者指定最低性能目标的能力。我们证明，当 DTAI 直接作为深度生成模型中的训练损失使用时，可大幅提升生成设计的性能。我们将 DTAI 损失应用于性能增强多样 GAN（Performance-Augmented Diverse GAN, PaDGAN），并展示出优于一组基线深度生成模型的生成性能，包括多目标 PaDGAN 以及专用表格生成算法如条件表格 GAN（Conditional Tabular GAN, CTGAN）。我们进一步通过辅助可行性分类器增强 PaDGAN，以鼓励可行设计。为评估方法，我们提出一套面向生成方法的综合评估度量，聚焦于可行性、多样性以及对设计性能目标的满足程度。方法在一个具有挑战性的基准问题上进行了测试：FRAMED 自行车车架设计数据集，其具有混合数据类型参数化数据、严重偏斜且多峰的分布，以及十个相互竞争的性能目标。