[論文レビュー] Deep-Learning-Enabled Simulated Annealing for Topology Optimization

Changyu Deng, Can Qin+1 more|arXiv (Cornell University)|Feb 4, 2020

Topology Optimization in Engineering被引用数 2

ひとこと要約

本稿では、自己指向的オンライン学習最適化（SOLO）を提案する。SOLOは、深層ニューラルネットワーク（DNN）を用いて目的関数を補間することで、有限要素法（FEM）の評価回数を最大5桁削減する深層学習強化型シミュレーテッド・アニーリング手法である。DNNは予測された最適解の周辺に集中した動的生成データを用いて繰り返し精錬され、大規模かつ高次元の問題を、最先端手法を上回る性能で効率的に解くことが可能になる。

ABSTRACT

Topology optimization by optimally distributing materials in a given domain requires gradient-free optimizers to solve highly complicated problems. However, with hundreds of design variables or more involved, solving such problems would require millions of Finite Element Method (FEM) calculations whose computational cost is huge and impractical. Here we report a Self-directed Online Learning Optimization (SOLO) which integrates Deep Neural Network (DNN) with FEM calculations. A DNN learns and substitutes the objective as a function of design variables. A small amount of training data is generated dynamically based on the DNN's prediction of the global optimum. The DNN adapts to the new training data and gives better prediction in the region of interest until convergence. Our algorithm was tested by compliance minimization problems and fluid-structure optimization problems. It reduced the computational time by 2~5 orders of magnitude compared with directly using heuristic methods, and outperformed all state-of-the-art algorithms tested in our experiments. This approach enables solving large multi-dimensional optimization problems.

研究の動機と目的

• 数百または数千の設計変数を伴うトポロジー最適化における計算コストの高さに対処すること。
• 数百万回に及ぶFEMシミュレーションを要するブルートフォースヒューリスティック手法への依存を軽減すること。
• 有望な設計空間領域に計算を集中させる適応的学習フレームワークを構築すること。
• 深層学習補間モデルを用いて、勾配フリーでスケーラブルな高次元問題の最適化を実現すること。
• 収束速度および解の品質において、既存の最先端アルゴリズムを上回ること。

提案手法

• 設計変数を入力として、目的関数（例：剛性）を予測する深層ニューラルネットワーク（DNN）を訓練し、直接的なFEM評価に置き換える。
• DNNが予測するグローバル最適解の周辺に焦点を当て、動的に生成されたデータに基づいて訓練データを生成する。
• DNNは、現在の最良解の周辺で予測を精錬するため、繰り返し再訓練される。
• アルゴリズムは、設計空間を探索しつつも、有望な領域にデータ収集を誘導する、シミュレーテッド・アニーリングに類似した探索戦略を採用する。
• FEMは初期および適応的訓練データの生成のためのみ使用され、総FEM呼び出し回数が顕著に削減される。
• オンライン学習と補間モデリングを組み合わせることで、高次元設計空間における探索と活用のバランスをとる。

実験結果

リサーチクエスチョン

• RQ1 深層学習補間モデルは、トポロジー最適化に必要なFEM評価回数を顕著に削減できるか？
• RQ2 適応的かつ自己指向的なデータ生成戦略は、高次元かつ非凸な最適化問題における収束性を向上させられるか？
• RQ3 提案手法SOLOは、最先端のヒューリスティックおよび勾配フリー最適化アルゴリズムと比較して、性能および効率性において優れているか？
• RQ4 DNNベースの補間モデルは、複雑でマルチモーダルな設計空間において、精度と一般化能力を維持できるか？
• RQ5 シミュレーテッド・アニーリングとオンラインDNN学習を統合することで、大規模トポロジー最適化問題のスケーラブルな最適化が可能になるか？

主な発見

• SOLO手法は、直接的なヒューリスティック最適化手法と比較して、計算時間を2〜5桁短縮した。
• 剛性最小化問題および流体-構造相互作用問題の両方において、テストしたすべての最先端アルゴリズムを上回った。
• 適応的かつターゲットを絞ったデータ収集のおかげで、FEM評価回数を最小限に抑えながらもDNN補間が高い精度を達成した。
• 繰り返し再訓練プロセスにより、DNNは関心領域に注目し、その周辺の予測を精錬することで収束効率が向上した。
• 従来のFEM依存のアプローチでは処理が困難な大規模かつ高次元のトポロジー最適化問題を、成功裏に解消した。
• オンライン学習とシミュレーテッド・アニーリングの統合により、複雑で非凸な設計空間においても安定した収束が達成された。