[論文レビュー] Towards Goal, Feasibility, and Diversity-Oriented Deep Generative Models in Design

Lyle Regenwetter, Faez Ahmed|arXiv (Cornell University)|Jun 14, 2022

BIM and Construction Integration被引用数 6

ひとこと要約

本論文は、設計性能、実現可能性、多様性、および目標達成性を統合的に最適化する、新しい深層生成モデルPaDGANと設計目標達成インデックス（DTAI）を導入する。微分可能DTAI損失と補助的実現可能性分類器を統合することで、複雑な自転車フレーム設計タスクにおいて8つの指標で最先端の手法を著しく上回り、目標達成率69.8%、実現可能性率95.9%を達成した。

ABSTRACT

Deep Generative Machine Learning Models (DGMs) have been growing in popularity across the design community thanks to their ability to learn and mimic complex data distributions. DGMs are conventionally trained to minimize statistical divergence between the distribution over generated data and distribution over the dataset on which they are trained. While sufficient for the task of generating "realistic" fake data, this objective is typically insufficient for design synthesis tasks. Instead, design problems typically call for adherence to design requirements, such as performance targets and constraints. Advancing DGMs in engineering design requires new training objectives which promote engineering design objectives. In this paper, we present the first Deep Generative Model that simultaneously optimizes for performance, feasibility, diversity, and target achievement. We benchmark performance of the proposed method against several Deep Generative Models over eight evaluation metrics that focus on feasibility, diversity, and satisfaction of design performance targets. Methods are tested on a challenging multi-objective bicycle frame design problem with skewed, multimodal data of different datatypes. The proposed framework was found to outperform all Deep Generative Models in six of eight metrics.

研究の動機と目的

• 従来の訓練が統計的類似性に焦点を当てる一方で、設計分野の目的（性能、実現可能性、目標適合性）に特化した深層生成モデル（DGM）におけるギャップを埋めるため。
• 設計者が指定する複数の目的の性能目標を優先し、達成・超過できるように訓練目的を設計する。
• 実現可能性、多様性、および目標達成性を同時に最適化し、データ分布の類似性にのみ注目する従来のDGMの限界を克服する。
• エンジニアリングデザイン合成に適した包括的指標を用いて、提案フレームワークを最先端のDGMと比較してベンチマーク化する。
• 性能、実現可能性、多様性を統合した1つの微分可能訓練目的に統合することで、データ駆動型設計生成分野における新基準を確立する。

提案手法

• 設計目標達成インデックス（DTAI）を提案し、複数の目的における指定された性能目標をどれだけ上回っているかを定量化する微分可能な損失関数を提供する。
• パフォーマンス強化型多様性GAN（PaDGAN）フレームワークにDTAIを統合し、パフォーマンス、多様性、および目標達成性を同時に最適化する。
• 生成器が実現可能な設計を生成するよう導くために、補助的な幾何的実現可能性分類器を統合し、生成出力の実現可能性率を向上させる。
• 最終的な損失関数において、多様性とパフォーマンスのバランスを取るためにデターミナント・ポイントプロセス（DPP）を組み込むことで、生成された設計が高パフォーマンスかつ多様であることを保証する。
• 生成器を、DTAI、実現可能性尤度、および多様性スコアを組み合わせた複合損失で訓練するマルチステージ訓練パイプラインを採用する。
• 10のパフォーマンス目的と非一様で多峰的なデータを有する、困難な多目的自転車フレーム設計問題でフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、設計性能、実現可能性、多様性、および目標達成性を同時に最適化できるか？
• RQ2 DTAIのような微分可能な損失関数は、従来の統計的類似性目的と比較して、目標達成率とパフォーマンスをどのように向上させるか？
• RQ3 補助的実現可能性分類器は、複雑なエンジニアリング設計タスクにおいて生成設計の実現可能性率をどの程度向上させるか？
• RQ4 提案フレームワークは、実現可能性、多様性、パフォーマンス指標の観点から、最先端のDGMと比較してどの程度優れているか？
• RQ5 DTAIと実現可能性制約を統合することで、設計の新規性と解空間カバレッジに顕著な向上が見られるか？

主な発見

• 提案されたDTAIと実現可能性分類器を備えたPaDGANは、平均目標達成率69.8%を達成し、次善のベースライン（48.4%）と比較して45%の改善を示した。
• 生成設計の実現可能性率は95.9%に達し、最先端のMO-PaDGAN（87.1%）と比較して30%向上し、平均ベースライン（72.7%）と比較して30.7%の改善を示した。
• 本モデルは平均DTAIスコア0.79を達成し、次善の手法（0.69）を著しく上回り、設計者が指定した性能目標との整合性が優れていることを示した。
• 本手法は、ハイパーボリューム（3.82×10⁻⁷）、平均設計新規性（9.96）、平均パフォーマンス空間多様性（2.71）を含む8つの評価指標のうち6つで、すべてのベースラインを上回った。
• アブレーションスタディにより、DTAI損失と実現可能性分類器の両方が不可欠であることが確認され、いずれかを削除すると、目標達成率と実現可能性の両方で顕著な性能低下が生じた。
• バイオリンプロット分析により、本手法を用いて生成された設計の分布は、常にベースラインモデルと比較して高い目標達成率と優れたパフォーマンススコアを達成していた。