[논문 리뷰] Data files for "Neural reparameterization improves structural optimization"

Stephan Hoyer|arXiv (Cornell University)|2019. 09. 10.

Topology Optimization in Engineering참고 문헌 28인용 수 51

한 줄 요약

이 논문은 재료 밀도를 출력하는 신경망을 최적화해 구조 최적화를 재매개변화하며, 116개 작업에서 더 나은 설계들을 얻고 기준선보다 최상의 설계가 나올 확률이 50% 더 높다.

ABSTRACT

Structural optimization is a popular method for designing objects such as bridge trusses, airplane wings, and optical devices. Unfortunately, the quality of solutions depends heavily on how the problem is parameterized. In this paper, we propose using the implicit bias over functions induced by neural networks to improve the parameterization of structural optimization. Rather than directly optimizing densities on a grid, we instead optimize the parameters of a neural network which outputs those densities. This reparameterization leads to different and often better solutions. On a selection of 116 structural optimization tasks, our approach produces the best design 50% more often than the best baseline method.

연구 동기 및 목표

• 구조 최적화에서 매개변수화가 해의 질에 미치는 영향을 동기 부여한다.
• 토폴로지 최적화를 위한 요소 밀도를 출력하는 CNN 기반 재매개변화를 제안한다.
• 116개의 다양한 구조 최적화 문제에서 이 접근법을 시연한다.
• 그라디언트 기반 최적화를 사용하여 CNN 기반 재매개변화를 픽셀 기반 및 전통적 기준선과 비교한다.
• 문제 규모 전반에 걸친 질적/양적 이득과 확장성을 분석한다.

제안 방법

• 직접 픽셀 밀도를 출력하는 대신 밀도를 출력하는 CNN으로 최적화 문제를 재매개한다.
• 제약된 시그모이드 맵핑을 가진 차별화 가능한 순전파 모델로 부피 및 밀도 제약을 강제한다.
• 제약 변환을 역전파하기 위해 암묵적 미분을 사용한다.
• 각 문제에 대해 신경망 매개변수를 그래디언트 기반 옵티마이저(L-BFGS)로 학습시켜 컴플라이언스를 최소화한다.
• 순전파를 어드조인트 스타일 물리 솔버를 가진 차분 가능한 TensorFlow 그래프로 구현한다.
• 116개 작업에서 CNN-LBFGS와 Pixel-LBFGS를 MMA 및 OC 기준선과 비교한다.

실험 결과

연구 질문

• RQ1 CNN 기반 재매개변화가 픽셀 기반 매개화 및 전통적 최적화 기준선보다 더 나은 구조 설계를 얻어내는가?
• RQ2 문제 크기(소형 대 대형 격자)와 함께 신경망 재매개변화의 성능이 어떻게 확장되는가?
• RQ3 일반 방법과 비교했을 때 CNN 매개변화 하에서 결과 구조의 질적 차이는 무엇이 나타나는가?
• RQ4 설계 품질을 향상시키면서 물리적 제약(부피, 밀도)을 만족시킬 수 있는가?

주요 결과

• 작은 문제에서 CNN 기반 재매개변화는 MMA와 일치하고, 큰 문제에서 이를 능가한다.
• 116개 작업 전반에서 대부분의 경우 CNN-LBFGS가 OC 및 Pixel-LBFGS보다 더 나은 설계를 산출했다.
• CNN으로 매개변수화된 해는 일반적으로 더 간단하고 기준선보다 거미줄 아티팩트가 적은 경향을 보였다.
• 다중 스케일 최적화 효과와 메시 의존성 고려로 대형 문제에서 CNN 재매개변화의 이점이 더 크다.
• 앙상블 최다 CNN 설계가 99/116 작업에서 최상 또는 거의 최상으로 나타나며 품질 예시에서 MMA를 능가했다.
• 신경망으로의 재매개변화는 기둥이 나무처럼 뻗은 형태와 지지대가 적은 등, 기준선 구조와 비교해 질적으로 다른 설계 패턴을 자주 만들어냈다.