[論文レビュー] 3D Shape Synthesis for Conceptual Design and Optimization Using Variational Autoencoders

Wentai Zhang, Zhangsihao Yang+6 more|arXiv (Cornell University)|Apr 16, 2019

3D Shape Modeling and Analysis参考文献 30被引用数 12

ひとこと要約

本論文は、距離変換に基づく3D表現を用いた変分オートエンコーダー（VAEs）を用いたデータ駆動型3D形状合成フレームワークを提案し、滑らかで高品質な概念設計を生成する。既存の設計から学習したコンactな潜在空間と遺伝的最適化を組み合わせることで、元のデータセットに存在しなかった性能目標、例えば13.8mのターゲット滑空高さで0.5m以内の許容誤差を満たす88%の設計を達成すら可能となる。

ABSTRACT

We propose a data-driven 3D shape design method that can learn a generative model from a corpus of existing designs, and use this model to produce a wide range of new designs. The approach learns an encoding of the samples in the training corpus using an unsupervised variational autoencoder-decoder architecture, without the need for an explicit parametric representation of the original designs. To facilitate the generation of smooth final surfaces, we develop a 3D shape representation based on a distance transformation of the original 3D data, rather than using the commonly utilized binary voxel representation. Once established, the generator maps the latent space representations to the high-dimensional distance transformation fields, which are then automatically surfaced to produce 3D representations amenable to physics simulations or other objective function evaluation modules. We demonstrate our approach for the computational design of gliders that are optimized to attain prescribed performance scores. Our results show that when combined with genetic optimization, the proposed approach can generate a rich set of candidate concept designs that achieve prescribed functional goals, even when the original dataset has only a few or no solutions that achieve these goals.

研究の動機と目的

• エンジニアリング分野における初期段階の概念設計において、人為的探索が遅く限界があるデジタルツールの不足に対処すること。
• 生成された設計の表面にピクセル化や低品質な外観を生じる、従来のボクセルベース表現の限界を克服すること。
• 既存の設計コーパスからの教師なし学習を用いて、多様で高パフォーマンスな3D設計を自動生成すること。
• 生成された設計を物理シミュレーションおよび最適化パイプラインにスムーズに統合し、機能的評価を可能にすること。
• 元のデータセットを超えて、新規で高パフォーマンスな概念を発見できるように設計空間を拡張すること、特に不実現の性能ターゲットに対しても対応可能であること。

提案手法

• 表面の滑らかさを保持するため、3D設計を二値ボクセルではなく、実数値の距離変換フィールドとして表現すること。
• 距離マップ上で変分オートエンコーダー（VAE）を訓練し、設計幾何のコンactで連続的な潜在空間を学習すること。
• 潜在ベクトルを距離マップに復元し、その後ポリゴナルメッシュに変換して、後続のシミュレーションおよび解析に利用すること。
• 潜在空間内で確率的補間および外挿を実行する遺伝的最適化とVAEジェネレータを統合し、新しい設計を探索すること。
• 物理ベースのシミュレーション（例：簡略化されたフライトダイナミクス）を用いて設計のパフォーマンスを評価し、ターゲットの目的に向かって最適化を誘導すること。
• 高いパフォーマンスを示す個体の潜在ベクトルを組み合わせることで、新しい設計候補を生成する潜在空間クロスオーバー技術を適用すること。

実験結果

リサーチクエスチョン

• RQ1 パrametricモデリングを明示的に用いずに、既存の設計コーパスからデータ駆動型のVAEベース手法が滑らかで高品質な3D設計を生成できるか？
• RQ2 二値ボクセルではなく距離変換マップを用いることで、表面品質が向上し、物理シミュレーションへの統合がより良好になるか？
• RQ3 遺伝的最適化による潜在空間探索が、元のデータセットに存在しない機能的パフォーマンス目標を満たす新規設計を生成できるか？
• RQ4 この方法が、元の設計空間外の性能ターゲットに対しても、どの程度の範囲で実現可能な設計を発見できるか？
• RQ5 元のデータセットに与えられたターゲットに対して解がほとんどない場合でも、このパイプラインが多様で高パフォーマンスな設計候補をどの程度効果的に生成できるか？

主な発見

• ターゲット滑空高さ6mを最適化した場合、最終集団の76%が許容誤差0.1m以内に達成したのに対し、初期集団ではわずか1%であった。
• より挑戦的なターゲット13.8mでは、最終設計の88%が許容誤差0.5m以内に収まり、元のデータセットの最大高さ12.6mを上回るにもかかわらず達成された。
• この手法は、元の設計に到達不可能な高さ14.5mのターゲットに対しても、設計を生成することができ、元の設計空間を超えていた。
• 最終的な合成集団は着地高さにおいて高い多様性を示し、人間のデザイナーが検討可能な複数の有効な選択肢を提供した。
• 距離変換マップの使用により、ボクセルベース手法で一般的なピクセル化の問題を回避し、滑らかでシミュレーション対応の3D表面を生成できた。
• このパイプラインは、ターゲットパフォーマンスが訓練データで当初不実現であった場合でも、機能的な設計を生成するのに高いロバストネスを示した。