NITO：用于无分辨率拓扑优化的神经隐式场
机器学习
2024-02-08 v1 计算工程、金融与科学
摘要
拓扑优化是工程设计中的一项关键任务，其目标是在给定空间中优化分布材料以获得最大性能。我们引入了神经隐式拓扑优化（NITO），这是一种利用深度学习加速拓扑优化问题的新方法。NITO 是最早在基于深度学习的拓扑优化中提供无分辨率且与领域无关的解决方案的框架之一。与 SOTA 扩散模型相比，NITO 合成的结构结构效率最高可提升七倍，且耗时仅为其十分之一。在 NITO 框架中，我们引入了一种新方法——边界点顺序不变 MLP（BPOM），以稀疏且与领域无关的方式表示边界条件，摆脱了昂贵的基于仿真的方法。至关重要的是，NITO 规避了将卷积神经网络（CNN）模型限制在固定大小的结构域中的领域和分辨率限制——这些限制阻碍了 CNN 在工程应用中的广泛采用。这种泛化能力允许单个 NITO 模型在无数领域中进行训练和生成解决方案，从而消除了对大量特定领域 CNN 及其庞大数据集的需求。尽管具有泛化能力，NITO 即使在专业任务中也优于 SOTA 模型，其大小小了一个数量级，并且在 CNN 具有限制性的高分辨率下实际上是可以训练的。这种通用性、效率和性能的结合突显了 NITO 通过隐式场改变工程设计优化问题格局的潜力。
引用
@article{arxiv.2402.05073,
title = {NITO: Neural Implicit Fields for Resolution-free Topology Optimization},
author = {Amin Heyrani Nobari and Giorgio Giannone and Lyle Regenwetter and Faez Ahmed},
journal= {arXiv preprint arXiv:2402.05073},
year = {2024}
}