GANTL：基于条件 GAN 与迁移学习迈向实用且实时的拓扑优化
机器学习
2021-05-10 v1 人工智能
摘要
许多机器学习方法近来被开发出来，以规避基于梯度的拓扑优化的高计算成本。这些方法通常需要广泛且昂贵的训练数据集，难以泛化到未见的边界与载荷条件以及新域，并且未考虑预测的拓扑约束，从而产生拓扑不一致的预测。我们提出一种基于生成对抗网络的生成式设计探索深度学习方法。所提方法将条件 GAN 的生成能力与迁移学习方法的知识的迁移能力相结合，以预测未见边界条件下的最优拓扑。我们还表明，所提算法设计中嵌入的知识迁移能力相比传统深度学习神经网络或对抗网络显著减小了训练数据集的规模。此外，我们基于从结构持续图获得的交瓶颈距离（bottleneck distance）构造了一个拓扑损失函数，并展示了预测结构拓扑连通性的显著改善。我们使用大量例子在 2D 中探究所提方法对于已见与未见边界条件的效率与准确性。
引用
@article{arxiv.2105.03045,
title = {GANTL: Towards Practical and Real-Time Topology Optimization with Conditional GANs and Transfer Learning},
author = {Mohammad Mahdi Behzadi and Horea T. Ilies},
journal= {arXiv preprint arXiv:2105.03045},
year = {2021}
}