HeatGen：用于多物理场散热片设计优化的引导扩散框架
机器学习
2025-11-14 v1 人工智能
计算物理
摘要
本研究提出了一种基于引导去噪扩散概率模型（DDPM）的生成优化框架，该框架利用代理梯度生成散热片设计，旨在最小化压降的同时将表面温度维持在指定阈值以下。几何形状使用多个翅片的边界表示来表示，并采用多保真度方法生成训练数据。利用该数据集以及表示边界表示几何形状的向量，我们训练了一个去噪扩散概率模型，以生成具有与数据中观察到特征相一致的散热片。我们训练了两种不同的残差神经网络来预测每种几何形状的压降与表面温度。我们使用这些代理模型关于设计变量的梯度来引导几何生成过程，以满足低压降与表面温度约束。这种推理时引导将生成过程导向散热片设计，这些设计不仅能防止过热，而且与 CMA-ES 等传统优化方法相比实现了更低的压降。与传统的黑盒优化方法相比，在提供充足训练数据的情况下，我们的方法具有可扩展性。与传统的拓扑优化方法不同，一旦模型训练完成且散热片世界模型被保存，在新约束（如温度）下的推理计算成本极低且无需重新训练。使用引导扩散模型生成的样本，其压降比传统黑盒优化方法获得的极限低达 10%。这项工作代表了向构建电子冷却基础生成模型迈出的一步。
引用
@article{arxiv.2511.09578,
title = {HeatGen: A Guided Diffusion Framework for Multiphysics Heat Sink Design Optimization},
author = {Hadi Keramati and Morteza Sadeghi and Rajeev K. Jaiman},
journal= {arXiv preprint arXiv:2511.09578},
year = {2025}
}