[論文レビュー] A novel topology design approach using an integrated deep learning network architecture

Sharad Rawat, M.-H. Herman Shen|arXiv (Cornell University)|Aug 3, 2018

Topology Optimization in Engineering参考文献 13被引用数 21

ひとこと要約

本稿では、生成対抗ネットワーク（GAN）と畳み込みニューラルネットワーク（CNN）を統合した新規なトポロジー設計アーキテクチャを用いて、構造的トポロジー生成を高速化・最適化する新しいトポロジー設計手法を提案する。反復的最適化を回避する深層学習の活用により、SIMPなどの従来手法と比較して計算コストを大幅に削減しつつ、迅速かつ高品質なトポロジー設計を実現する。

ABSTRACT

Topology design optimization offers tremendous opportunity in design and manufacturing freedoms by designing and producing a part from the ground-up without a meaningful initial design as required by conventional shape design optimization approaches. Ideally, with adequate problem statements, to formulate and solve the topology design problem using a standard topology optimization process, such as SIMP (Simplified Isotropic Material with Penalization) is possible. In reality, an estimated over thousands of design iterations is often required for just a few design variables, the conventional optimization approach is in general impractical or computationally unachievable for real world applications significantly diluting the development of the topology optimization technology. There is, therefore, a need for a different approach that will be able to optimize the initial design topology effectively and rapidly. Therefore, this work presents a new topology design procedure to generate optimal structures using an integrated Generative Adversarial Networks (GANs) and convolutional neural network architecture.

研究の動機と目的

• SIMPのような従来のトポロジー最適化手法は、少数の設計変数に対しても何千回もの反復を要するため、計算的に非現実的であることを解決する。
• 高コストな計算要求のため、実世界の工学的応用において標準的手法が現実的でないという問題を克服する。
• 設計仕様から直接最適トポロジーを生成できる、データ駆動型でエンドツーエンドの深層学習フレームワークを開発する。
• GANとCNNを統合して、複雑な構造的設計空間をモデル化し、高精細で製造可能なトポロジーを生成する。
• 初期設計の仮定や反復的改善に依存せずに、迅速かつスケーラブルなトポロジー合成を可能にする。

提案手法

• 生成対抗ネットワーク（GAN）と畳み込みニューラルネットワーク（CNN）を統合した深層学習アーキテクチャを提案し、トポロジー生成に用いる。
• 生成器ネットワークを用いて、潜在ノイズベクトルと設計制約から、バイナリまたは連続的トポロジー表現を生成する。
• 判別器を訓練して、データセットから得た実際のトポロジーと生成されたトポロジーを区別させ、出力の現実性と製造可能性を向上させる。
• CNNベースのエンコーダーを用いて、設計特徴（例：荷重、境界条件、支持条件など）を抽出し、GANの潜在空間に条件づける。
• 敵対的損失と知覚的損失を用いてGAN-CNNフレームワークを最適化し、構造的妥当性と性能を保証する。
• 事前に最適化されたトポロジーのデータセット上でエンドツーエンドにモデルを訓練し、設計入力から最適トポロジーへのマッピングを学習する。

実験結果

リサーチクエスチョン

• RQ1 SIMPのような従来手法と比較して、深層学習ベースのアプローチがトポロジー最適化の計算コストを顕著に削減できるか？
• RQ2 反復的最適化を一切行わずに、GAN-CNNアーキテクチャが高品質で製造可能なトポロジーを効果的に生成できるか？
• RQ3 統合された深層学習モデルが、多様な荷重および境界条件にわたってどれほど一般化できるか？
• RQ4 敵対的学習とCNNベースの特徴符号化を組み合わせることで、トポロジー設計の忠実度にどのような影響を与えるか？
• RQ5 従来の最適化手法と同等またはそれを上回る剛性と応力分布を達成できるか、モデルが生成するトポロジーは性能面で優れているか？

主な発見

• 提案されたGAN-CNNフレームワークにより、トポロジー最適化の時間は何千回もの反復から1回の順伝播に短縮され、ほぼ即時の設計生成が実現された。
• 生成されたトポロジーは高い構造的性能を示し、従来のSIMP最適化で得られたものと同等の剛性値を達成した。
• さまざまな境界条件および荷重条件にわたって良好な一般化性能を示し、入力の変動に対しても頑健であることが確認された。
• 敵対的学習とCNNベースの符号化の統合により、生成トポロジーの現実性と製造可能性が向上した。
• 従来手法と比較して、計算コストを顕著に削減しながら、設計品質を維持または向上させた。
• フレームワークにより、初期設計の仮定を必要とせず、真のジェネリックデザインを実現するエンドツーエンドのトポロジー合成が可能になった。