LInK：通过对比学习学习设计与性能空间的联合表示以实现机构综合
机器学习
2025-02-11 v2 人工智能
摘要
在本文中，我们介绍了LInK，一种新颖的框架，它将性能与设计空间的对比学习与优化技术相结合，用于解决工程设计中具有离散和连续变量的复杂逆问题。我们专注于平面连杆机构的路径综合问题。通过利用多模态和变换不变的对比学习框架，LInK学习了一个联合表示，该表示捕捉了机构的复杂物理和设计表示，从而能够从超过1000万个机构的大型数据集中快速检索。该方法通过层次无约束非线性优化算法的热启动提高了精度，结合了传统优化的鲁棒性与现代深度学习方法的快速性和适应性。我们在现有基准上的结果表明，LInK优于现有方法，与最先进的方法相比，误差减少了28倍，同时在现有基准上花费的时间减少了20倍。此外，我们引入了一个更具挑战性的基准，名为LINK ABC，它涉及合成追踪英文字母轨迹的连杆机构，这是一个现有方法由于高度非线性和极小的可行空间而难以处理的逆设计基准任务。我们的结果表明，LInK不仅推动了机构设计领域的发展，而且将对比学习和优化的适用性扩展到工程的其他领域。代码和数据公开于https://github.com/ahnobari/LInK。
引用
@article{arxiv.2405.20592,
title = {LInK: Learning Joint Representations of Design and Performance Spaces through Contrastive Learning for Mechanism Synthesis},
author = {Amin Heyrani Nobari and Akash Srivastava and Dan Gutfreund and Kai Xu and Faez Ahmed},
journal= {arXiv preprint arXiv:2405.20592},
year = {2025}
}