[論文レビュー] Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders

Rini Jasmine Gladstone, Mohammad Amin Nabian+2 more|arXiv (Cornell University)|Jul 19, 2021

Topology Optimization in Engineering被引用数 5

ひとこと要約

この論文は、計算コストを低減するために、マルチフィidelity変分オートエンコーダー（VAE）を用いた深層学習ベースのサーモン最適化フレームワークを提案する。高次元の設計を低次元の潜在空間に射影し、有限要素法ソルバーをニューラルネットワークのサーモンに置き換えることで、高速で勾配ベースの最適化が可能となり、学習データ内の設計よりも低いロバストな適合性を達成する。

ABSTRACT

Robust topology optimization (RTO), as a class of topology optimization problems, identifies a design with the best average performance while reducing the response sensitivity to input uncertainties, e.g. load uncertainty. Solving RTO is computationally challenging as it requires repetitive finite element solutions for different candidate designs and different samples of random inputs. To address this challenge, a neural network method is proposed that offers computational efficiency because (1) it builds and explores a low dimensional search space which is parameterized using deterministically optimal designs corresponding to different realizations of random inputs, and (2) the probabilistic performance measure for each design candidate is predicted by a neural network surrogate. This method bypasses the numerous finite element response evaluations that are needed in the standard RTO approaches and with minimal training can produce optimal designs with better performance measures compared to those observed in the training set. Moreover, a multi-fidelity framework is incorporated to the proposed approach to further improve the computational efficiency. Numerical application of the method is shown on the robust design of L-bracket structure with single point load as well as multiple point loads.

研究の動機と目的

• 高次元の設計空間と繰り返し行われる有限要素解析による、ロバストトポロジー最適化（RTO）の高い計算コストに対処すること。
• 次元削減のため、データ効率的で微分可能であるトポロジーのパラメータ化を、変分オートエンコーダー（VAE）を用いて開発すること。
• 計算コストの高い有限要素法ソルバーを、確率的適合性を予測する深層ニューラルネットワークサーモンに置き換えること。
• 低次元の潜在空間における効率的な勾配ベース最適化を可能にし、ロバスト設計の改善を図ること。
• 本手法が、学習セット内の設計よりも低いロバスト適合性を持つ設計を生成できることを示すこと。

提案手法

• さまざまな入力不確実性の実現をもとに、決定論的トポロジー最適化の結果を用いて、VAEを訓練し、設計の低次元潜在表現を学習する。
• VAEのエンコーダーは、高次元の設計（例：128×128）を、コンactな潜在空間（例：2次元）にマッピングし、効率的な設計探索を可能にする。
• 別個の深層ニューラルネットワークサーモンを訓練し、潜在コードからロバスト適合性（不確実性下での期待適合性）を予測する。
• 勾配降下法を用いて、潜在空間で最適化を行い、予測されたロバスト適合性を最小化する。
• 探索は、異なる不確実性実現における決定論的TO問題の解に制限され、物理的妥当性が保証される。
• マルチフィidelityトレーニングが採用され、高精度の有限要素結果と低精度のVAE生成設計を併用することで、限られたデータでも一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 VAEは、最小限の学習データから、トポロジー設計の低次元で意味のある潜在表現を効果的に学習できるか？
• RQ2 潜在空間で、高い一般化性能と微分可能性を備えた深層ニューラルネットワークサーモンが、ロバスト適合性を正確に予測できるか？
• RQ3 潜在空間における勾配ベース最適化は、有限要素法に基づくRTOに比べ、計算効率と解の品質の両面で優れているか？
• RQ4 本手法は、学習データ内の設計よりも低いロバスト適合性を持つ設計を生成できるか？
• RQ5 本手法の性能は、学習データの質と代表性にどのように依存するか？

主な発見

• VAEはたった800件の学習サンプルからのみでも、設計の特徴を効果的に学習し、多様で物理的に妥当な設計を潜在空間で生成する。
• 潜在空間の次元はたったの2次元にまで低減され、元の設計空間が16,384次元であるにもかかわらず、非常に効率的な最適化が可能になる。
• 潜在空間における勾配ベース最適化は10回未満の反復で収束し、有限要素法に基づくRTOに比べて著しく高速である。
• 勾配降下法により得られた最終設計のロバスト適合性は20,637であり、学習セットで最も優れた設計（20,715）よりも低く、優れた性能を示している。
• 本手法は、学習分布を超えた効果的な探索が可能であり、学習データ内のいかなる設計よりも低いロバスト適合性を持つ設計を生成した。