PcDGAN：一种用于逆向设计的连续条件多样性生成对抗网络
机器学习
2021-06-08 v1
摘要
工程设计任务通常需要综合满足期望性能要求的新设计。传统的设计过程需要迭代优化与性能评估，速度慢且依赖于初始设计。过去的工作使用条件生成对抗网络（cGAN）来实现给定目标性能下的直接设计综合。然而，大多数现有的 cGAN 局限于类别条件。近期关于连续条件 GAN（CcGAN）的工作试图解决该问题，但仍面临两个挑战：1）在非均匀性能分布上表现不佳；2）生成的设计可能无法覆盖整个设计空间。我们提出一种名为性能条件多样性生成对抗网络（PcDGAN）的新模型，其引入结合基于行列式点过程（DPP）的损失函数的奇异邻域损失以增强多样性。PcDGAN 使用一种称为 Lambert 对数指数转移分数（LLETS）的新型自强化分数来改进条件控制。在合成问题及真实世界的翼型设计问题上的实验表明，PcDGAN 优于最先进的 GAN 模型，在翼型生成任务中将条件似然提升了 69%，在合成条件生成任务中提升高达 78%，并实现了更大的设计空间覆盖。所提方法能够实现高效的设计综合与设计空间探索，应用范围从 CAD 模型生成到超材料筛选。
引用
@article{arxiv.2106.03620,
title = {PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design},
author = {Amin Heyrani Nobari and Wei Chen and Faez Ahmed},
journal= {arXiv preprint arXiv:2106.03620},
year = {2021}
}