PaDGAN：一种用于性能增强且多样化设计生成的生成对抗网络

深度生成模型已被证明是自动设计综合与设计空间探索的有用工具。当应用于工程设计时，现有生成模型面临三个挑战：1）生成的设计缺乏多样性且不能覆盖设计空间的所有区域，2）难以显式提升生成设计的整体性能或质量，3）现有模型通常不生成超出训练数据域的新设计。本文中，我们通过提出一种基于行列式点过程（Determinantal Point Processes）的新损失函数用于多样性和质量的概率建模，同时应对这些挑战。借助该新损失函数，我们开发了生成对抗网络（Generative Adversarial Network, GAN）的一个变体，命名为“性能增强多样化生成对抗网络”（Performance Augmented Diverse Generative Adversarial Network，简称 PaDGAN），其能生成具有高设计空间覆盖度的新颖高质量设计。利用三个合成示例和一个真实翼型设计示例，我们证明了 PaDGAN 可生成多样且高质量的设计。与原始生成对抗网络相比，平均而言，它生成样本的平均质量分数提高 28%，且多样性更大，无模式崩溃问题。与通常在训练数据边界内通过插值生成新设计的典型生成模型不同，我们展示了 PaDGAN 将设计空间边界向外扩展至训练数据之外的高质量区域。所提方法广泛适用于包括设计空间探索、设计优化和创造性方案推荐在内的诸多任务。