[論文レビュー] A Parametric Level Set Method for Topology Optimization based on Deep Neural Network (DNN)

Hao Deng, Albert C. To|arXiv (Cornell University)|Jan 9, 2021

Topology Optimization in Engineering参考文献 61被引用数 4

ひとこと要約

本稿では、深層ニューラルネットワーク（DNN）を用いてレベルセット関数をパラメータ化し、学習された重みとバイアスによってその進化を実現する、DNNに基づくパラメトリックレベルセット法を提案する。ハミルトニアン＝ジャコビ偏微分方程式（PDE）をパラメータ化された常微分方程式（ODE）に変換し、周期的な再初期化を適用することで、従来のレベルセット手法に比べ、多様で高品質な設計が得られ、収束性と柔軟性が向上する。

ABSTRACT

This paper proposes a new parametric level set method for topology optimization based on Deep Neural Network (DNN). In this method, the fully connected deep neural network is incorporated into the conventional level set methods to construct an effective approach for structural topology optimization. The implicit function of level set is described by fully connected deep neural networks. A DNN-based level set optimization method is proposed, where the Hamilton-Jacobi partial differential equations (PDEs) are transformed into parametrized ordinary differential equations (ODEs). The zero-level set of implicit function is updated through updating the weights and biases of networks. The parametrized reinitialization is applied periodically to prevent the implicit function from being too steep or too flat in the vicinity of its zero-level set. The proposed method is implemented in the framework of minimum compliance, which is a well-known benchmark for topology optimization. In practice, designers desire to have multiple design options, where they can choose a better conceptual design base on their design experience. One of the major advantages of DNN-based level set method is its ability to generate diverse and competitive designs with different network architectures. Several numerical examples are presented to verify the effectiveness of the proposed DNN-based level set method.

研究の動機と目的

• 深層ニューラルネットワーク（DNN）を統合した新規なパラメトリックレベルセット法を開発し、設計の柔軟性を向上させること。
• 従来のレベルセット手法が多様で競争力のある設計概念を生成する点で抱える限界を克服すること。
• トレーニング可能なDNNパラメータ（重みとバイアス）を用いて、レベルセット関数の効率的かつ安定した進化を可能にすること。
• レベルセット関数の勾配（急峻さや平坦さ）を制御するため、パラメータ化された再初期化を適用することで数値的安定性を維持すること。
• 最小降伏剛性基準の下で、複数の競争力のある設計を生成する本手法の有効性を示すこと。

提案手法

• レベルセット関数は、全結合型の深層ニューラルネットワークを用いて暗黙的に表現され、ゼロレベルセットが構造の境界を定義する。
• レベルセットの進化は、ハミルトニアン＝ジャコビPDEをパラメータ化されたODEに変換することで制御され、時間微分はDNNを介した誤差逆伝播によって計算される。
• DNNの重みとバイアスは、降伏剛性目的関数を最小化するために勾配ベース最適化を用いて反復的に更新される。
• ゼロレベルセット付近でのレベルセット関数の正則性を維持するために、周期的にパラメータ化された再初期化手順が適用される。
• 構造的性能の評価を目的とした最小降伏剛性トポロジー最適化フレームワーク内に本手法を統合する。
• 異なるネットワークアーキテクチャを用いることで、DNNの構造的変異の能力を活用し、多様な設計オプションを生成する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、効率的かつ安定したトポロジー最適化を可能にするレベルセット関数を効果的にパラメータ化できるか？
• RQ2 DNNに基づくレベルセット法は、従来のレベルセット手法と比較して、設計の多様性と収束性の点でどのように異なるか？
• RQ3 異なるDNNアーキテクチャは、競争力があり、相違する構造的設計をどの程度生成できるか？
• RQ4 パラメータ化された再初期化は、最適化プロセス中に数値的安定性を維持できるか？
• RQ5 提案手法は、最小降伏剛性基準の下で高パフォーマンスの設計を生成できるか？

主な発見

• DNNに基づくレベルセット法は、ネットワークアーキテクチャを変更することで、多様で競争力のある構造的設計を効果的に生成した。
• パラメータ化された再初期化の導入により、レベルセット関数の悪条件化を防ぐことができ、収束が安定した。
• 降伏剛性に対するDNNパラメータに関する勾配を誤差逆伝播により計算することで、最適化プロセスが加速された。
• 従来のレベルセット手法と比較して、設計探索における柔軟性が顕著に向上した。
• 数値的実験により、最小降伏剛性基準の下で高パフォーマンスなトポロジーを効果的に生成できることを確認した。
• DNNの統合により、暗黙的な幾何表現から最適化へのスムーズな移行が可能になり、設計の多様性が向上した。