[논문 리뷰] A Parametric Level Set Method for Topology Optimization based on Deep Neural Network (DNN)

Hao Deng, Albert C. To|arXiv (Cornell University)|2021. 01. 09.

Topology Optimization in Engineering참고 문헌 61인용 수 4

한 줄 요약

이 논문은 구조물의 최적화를 위한 DNN 기반의 매개변수화된 레벨셋 방법을 제안한다. 여기서 딥 뉴럴 네트워크는 레벨셋 함수를 매개변수화하고 학습된 가중치와 편향을 통해 이를 진화시킨다. 해밀턴-자비 편미분방정식을 매개변수화된 상미분방정식으로 변환하고 주기적인 재초기화를 적용함으로써, 기존의 레벨셋 접근 방식에 비해 더 나은 수렴성과 유연성을 확보하면서도 다양한 고성능 설계를 가능하게 한다.

ABSTRACT

This paper proposes a new parametric level set method for topology optimization based on Deep Neural Network (DNN). In this method, the fully connected deep neural network is incorporated into the conventional level set methods to construct an effective approach for structural topology optimization. The implicit function of level set is described by fully connected deep neural networks. A DNN-based level set optimization method is proposed, where the Hamilton-Jacobi partial differential equations (PDEs) are transformed into parametrized ordinary differential equations (ODEs). The zero-level set of implicit function is updated through updating the weights and biases of networks. The parametrized reinitialization is applied periodically to prevent the implicit function from being too steep or too flat in the vicinity of its zero-level set. The proposed method is implemented in the framework of minimum compliance, which is a well-known benchmark for topology optimization. In practice, designers desire to have multiple design options, where they can choose a better conceptual design base on their design experience. One of the major advantages of DNN-based level set method is its ability to generate diverse and competitive designs with different network architectures. Several numerical examples are presented to verify the effectiveness of the proposed DNN-based level set method.

연구 동기 및 목표

• 딥 뉴럴 네트워크(DNN)를 통합하여 설계의 유연성을 향상시킬 수 있는 새로운 매개변수화된 레벨셋 방법을 개발하기.
• 기존의 레벨셋 방법이 다양한 설계 개념을 생성하는 데에 한계를 보이는 문제를 해결하기.
• 학습 가능한 DNN 매개변수(가중치와 편향)를 통해 레벨셋 함수의 효율적 진화를 가능하게 하기.
• 레벨셋 함수의 경사 또는 평탄함을 제어하기 위해 매개변수화된 재초기화를 적용하여 수치적 안정성을 유지하기.
• 최소 응력 에너지 기준에서 여러 경쟁 가능한 설계를 생성하는 데서 본 방법의 효과성을 입증하기.

제안 방법

• 레벨셋 함수는 완전히 연결된 딥 뉴럴 네트워크를 통해 암시적으로 표현되며, 영수준셋이 구조물의 경계를 정의한다.
• 레벨셋의 진화는 해밀턴-자비 편미분방정식을 매개변수화된 상미분방정식으로 변환함으로써 제어되며, 시간 도함수는 DNN를 통해 역전파를 통해 계산된다.
• DNN의 가중치와 편향은 응력 목표를 최소화하기 위해 기울기 기반 최적화를 통해 반복적으로 갱신된다.
• 레벨셋 함수의 영수준셋 근처에서의 규칙성을 유지하기 위해 주기적으로 매개변수화된 재초기화 절차가 적용된다.
• 구조물 성능 평가를 위해 최소 응력 최적화 프레임워크 내에 본 방법이 통합된다.
• 다양한 네트워크 아키텍처를 사용하여 DNN의 구조적 다양성 능력을 활용해 다양한 설계 옵션을 생성한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크가 레벨셋 함수를 효과적으로 매개변수화하여 효율적이고 안정적인 최적화를 가능하게 할 수 있는가?
• RQ2 디지털 뉴럴 네트워크 기반 레벨셋 방법은 기존의 레벨셋 방법에 비해 설계의 다양성과 수렴성 측면에서 어떻게 비교되는가?
• RQ3 다양한 DNN 아키텍처가 얼마나 다양한 경쟁 가능한 구조적 설계를 생성할 수 있는가?
• RQ4 매개변수화된 재초기화가 최적화 과정 중 수치적 안정성을 유지하는 데 기여하는가?
• RQ5 제안된 방법은 최소 응력 기준에서 고성능 설계를 생성하는가?

주요 결과

• 다양한 네트워크 아키텍처를 활용함으로써 DNN 기반 레벨셋 방법은 다수의 다양한 경쟁 가능한 구조적 설계를 성공적으로 생성한다.
• 매개변수화된 재초기화를 통해 안정적인 수렴이 이루어지며, 레벨셋 함수의 불량 조건화를 방지한다.
• 응력에 대한 DNN 매개변수의 기울기를 역전파를 통해 계산함으로써 최적화 과정이 가속화된다.
• 기존의 레벨셋 방법에 비해 설계 탐색에서 훨씬 뛰어난 유연성을 보여준다.
• 수치적 예제들은 최소 응력 기준에서 고성능의 최적 구조를 생성하는 데서 본 방법의 효과성을 확인한다.
• DNN의 통합은 암시적 기하 표현에서 최적화로의 원활한 전환을 가능하게 하여 설계의 다양성을 향상시킨다.