[論文レビュー] Style-constrained inverse design of microstructures with tailored mechanical properties using unconditional diffusion models

Weipeng Xu, Ziyuan Xie+4 more|arXiv (Cornell University)|Jan 10, 2026

Topology Optimization in Engineering被引用数 0

ひとこと要約

この論文は、条件なし拡散モデルと微分可能プログラミングを用いて、スタイルを preserving しつつ、ラベル付きデータセットや新たな問題設定の再訓練を必要とせず、ターゲット機械特性を持つマイクロ構造を生成する逆設計フレームワークを提示する。

ABSTRACT

Deep generative models, particularly denoising diffusion models, have achieved remarkable success in high-fidelity generation of architected microstructures with desired properties and styles. Nevertheless, these recent methods typically rely on conditional training mechanisms and demand substantial computational effort to prepare the labeled training dataset, which makes them inflexible since any change in the governing equations or boundary conditions requires a complete retraining process. In this study, we propose a new inverse design framework that integrates unconditional denoising diffusion models with differentiable programming techniques for architected microstructure generation. Our approach eliminates the need for expensive labeled dataset preparation and retraining for different problem settings. By reinterpreting the noise input to the diffusion model as an optimizable design variable, we formulate the design task as an optimization problem over the noise input, enabling control over the reverse denoising trajectory to guide the generated microstructure toward the desired mechanical properties while preserving the stylistic constraints encoded in the training dataset. A unified differentiation pipeline via vector-Jacobian product concatenations is developed to enable end-to-end gradient evaluation through backpropagation. Several numerical examples, ranging from the design of microstructures with specified homogenized properties to those with targeted hyperelastic and elasto-plastic behaviors, showcase the effectiveness of the framework and its potential for advanced design tasks involving diverse performance and style requirements.

研究の動機と目的

• 性能と幾何/スタイル機能を組み合わせたスタイル制約付き逆設計を促進・実現する。
• 異なる問題設定に適用する際、ラベル付きデータセットとモデル再訓練の必要性を排除する。
• ターゲット機械応答を達成するよう拡散ノイズ入力を最適化するエンドツーエンドの微分可能パイプラインを開発する。
• 最適化中に訓練データに encoded されたスタイル制約を保持しつつ、望ましい特性を達成する。

提案手法

• 幾何/スタイル特徴を捉えるために画像データセット上で条件なし拡散モデルを訓練する。
• 拡散モデルの入力ノイズを最適化可能な設計変数として再解釈し、このノイズ上で最適化問題を定式化する。
• 生成された画像を投影を介して有限要素メッシュに変換し、材料特性を割り当てて機械応答を評価するFEAを実行する。
• 拡散モデルと機械解算子を通じて勾配を計算するため、ベクトル-ヤコビ製品とアジョイントベースの感度解析を用いた統一的な微分可能パイプラインを使用する。
• eta=0 の DDIM を採用して決定論的で高速なサンプリングと追跡可能な設計軌道を実現する。
• 製造可能（ほぼ二値）design に向けてピクセル値を段階的に鋭くする多段階最適化を採用する。

実験結果

リサーチクエスチョン

• RQ1 条件なし拡散モデルを微分可能プログラミングで最適化することで、データセットにエンコードされたスタイルを維持しつつ、ターゲット機械特性を満たすマイクロ構造を生成できるか。
• RQ2 条件なし拡散モデルへのノイズ入力を最適化して、逆ノイズ除去の軌道を望ましい特性ターゲットへ誘導するにはどうすればよいか。
• RQ3 拡散モデルとFEAをエンドツーエンドで最適化するための微分可能技術（アジョイントベースの勾配評価を含む）はどれか。
• RQ4 フレームワークは均質化、超弾性、エラス تستプラスティックな設計ターゲットでスタイル制約を維持しながら機能するか。

主な発見

• 均質化された特性を設計するマイクロ構造を計算機的均質化で示した。
• 拡散由来の設計を最適化することでターゲットとなる超弾性およびエラステプラシティ挙動を達成できることを示した。
• 拡散モデルと機械解算子の両方に対して統一的なVJPベースのパイプラインを用いて微分可能なワークフローを提供した。
• 最適化中に訓練データから学習したスタイル制約が保持されることを検証した。
• ガウシアン混合物やメタマテリアルマイクロ構造を含む概念的・数値的例で手法を示した。