[論文レビュー] Diffusion Models Beat GANs on Topology Optimization

François Mazé, Faez Ahmed|arXiv (Cornell University)|Aug 20, 2022

Topology Optimization in Engineering被引用数 21

ひとこと要約

TopoDiff は条件拡散モデルを用い、回帰器と分類子のガイダンスでトポロジを低コンプライアンスと製造性の良さに最適化し、最先端の条件付きGANを各指標で上回る。

ABSTRACT

Structural topology optimization, which aims to find the optimal physical structure that maximizes mechanical performance, is vital in engineering design applications in aerospace, mechanical, and civil engineering. Generative adversarial networks (GANs) have recently emerged as a popular alternative to traditional iterative topology optimization methods. However, these models are often difficult to train, have limited generalizability, and due to their goal of mimicking optimal structures, neglect manufacturability and performance objectives like mechanical compliance. We propose TopoDiff - a conditional diffusion-model-based architecture to perform performance-aware and manufacturability-aware topology optimization that overcomes these issues. Our model introduces a surrogate model-based guidance strategy that actively favors structures with low compliance and good manufacturability. Our method significantly outperforms a state-of-art conditional GAN by reducing the average error on physical performance by a factor of eight and by producing eleven times fewer infeasible samples. By introducing diffusion models to topology optimization, we show that conditional diffusion models have the ability to outperform GANs in engineering design synthesis applications too. Our work also suggests a general framework for engineering optimization problems using diffusion models and external performance with constraint-aware guidance. We publicly share the data, code, and trained models here: https://decode.mit.edu/projects/topodiff/.

研究の動機と目的

• エンジニアリング設計にとってトポロジー最適化を不可欠であると動機づけ、GAN ベースのアプローチの限界（学習の難しさ、一般化、製造性）を特定する。
• 性能と製造性のガイダンスを組み込んだ拡散モデルベースのフレームワーク（TopoDiff）を提案する。
• 境界条件や制約が異なる場合に、条件付き拡散モデルがTOでGANを上回るかを調査する。
• 性能と実現性制約を伴うエンジニアリング逆問題へ拡散モデルを適用する一般的なフレームワークを提供する。

提案手法

• 体積分率、ひずみエネルギー密度、フォン・ミーゼス応力、および境界-境界荷重の4つの入力チャネルを持つUNetベースの条件付き拡散モデルを用いる。
• 適合度を予測する代理モデルを介して回帰ガイダンスを導入し、デノイジングの平均値を移動させて高コンプライアンス設計を低減する。
• サンプリング過程に浮遊材料を判定する分類器を組み込むことで浮遊材料を罰する分類子ガイダンスを導入する。
• 回帰ガイダンスと分類子ガイダンスを、制御された最大ノイズレベルと組み合わせて、実現可能で低コンプライアンスなトポロジーへサンプルを導く（アルゴリズム2）。”
• 制約と境界条件を追加チャネルとして表現し、有限要素解析で計算される物理場を用いて条件づけを通知する。

実験結果

リサーチクエスチョン

• RQ1 明示的な性能と製造性ガイダンスを伴うトポロジー最適化において、条件付き拡散モデルはGANを上回ることができるか。
• RQ2 回帰器（コンプライアンス）と分類器（実現可能性）ガイダンスを拡散サンプリングへTOに組み込むにはどうすればよいか。
• RQ3 分布外の境界条件や多様な荷重に対して、拡散ベースのTO手法は一般化できるか。

主な発見

Level	Model	Average Compliance Error (%)	Median Compliance Error (%)	Proportion of Compliance Error >30% (%)	Average Volume Fraction Error (%)	Proportion of Floating Material (%)
Level 1	TopologyGAN	48.51 b1 16.38	2.06	10.11	11.87 b1 0.52	46.78
Level 1	Unguided TopoDiff	4.10 b1 0.88	0.80	2.33	1.86 b1 0.03	6.64
Level 1	Guided TopoDiff	4.39 b1 0.94	0.83	2.56	1.85 b1 0.04	5.54
Level 2	TopologyGAN	143.08 b1 38.50	6.82	24.10	14.31 b1 0.75	67.90
Level 2	Unguided TopoDiff	22.13 b1 8.52	1.88	8.20	1.81 b1 0.04	7.53
Level 2	Guided TopoDiff	18.40 b1 5.88	1.82	8.10	1.80 b1 0.04	6.21

• TopoDiff は level-2 テストで TopologyGAN と比較して平均コンプライアンス誤差を8倍削減し、level-1 テストで11倍に削減した。
• TopoDiff は level-1 データでGAN ベースラインより非製造可能設計（浮遊材料）の数を11分の1、level-2 データでは約6分の1にした。
• level-1 テスト全体で、ガイド付きサンプリングにより平均コンプライアンス誤差を48.51%から4.39%へ削減。
• level-2 テスト全体で、ガイド付きサンプリングにより平均コンプライアンス誤差を143.08%から18.40%へ削減。
• ガイド付き TopoDiff は平均体積分率誤差を低減し、TopologyGAN と比較して浮遊材料の発生を大幅に抑制した。
• コンプライアンスと浮遊材料予測の代理モデルは低ノイズ入力で信頼性を保ち、ノイズが増えると穏やかに劣化する。