[논문 리뷰] Diffusion Models Beat GANs on Topology Optimization

François Mazé, Faez Ahmed|arXiv (Cornell University)|2022. 08. 20.

Topology Optimization in Engineering인용 수 21

한 줄 요약

TopoDiff는 회귀자 및 분류기 가이던스가 있는 조건부 확산 모델을 사용하여 저 응답성(저 컴플라이언스)과 제조성에 최적화된 토폴로지를 달성하며, 메트릭 전반에서 최첨단 조건부 GAN을 능가합니다.

ABSTRACT

Structural topology optimization, which aims to find the optimal physical structure that maximizes mechanical performance, is vital in engineering design applications in aerospace, mechanical, and civil engineering. Generative adversarial networks (GANs) have recently emerged as a popular alternative to traditional iterative topology optimization methods. However, these models are often difficult to train, have limited generalizability, and due to their goal of mimicking optimal structures, neglect manufacturability and performance objectives like mechanical compliance. We propose TopoDiff - a conditional diffusion-model-based architecture to perform performance-aware and manufacturability-aware topology optimization that overcomes these issues. Our model introduces a surrogate model-based guidance strategy that actively favors structures with low compliance and good manufacturability. Our method significantly outperforms a state-of-art conditional GAN by reducing the average error on physical performance by a factor of eight and by producing eleven times fewer infeasible samples. By introducing diffusion models to topology optimization, we show that conditional diffusion models have the ability to outperform GANs in engineering design synthesis applications too. Our work also suggests a general framework for engineering optimization problems using diffusion models and external performance with constraint-aware guidance. We publicly share the data, code, and trained models here: https://decode.mit.edu/projects/topodiff/.

연구 동기 및 목표

• 공학 설계에 필수적인 토폴로지 최적화를 고무하고 GAN 기반 접근법의 한계(학습의 어려움, 일반화, 제조성)를 규명한다.
• 성능과 제조성 가이던스를 포함하는 확산 모델 기반 프레임워크(TopoDiff)를 제안한다.
• 다양한 경계 조건과 제약 하에서 조건부 확산 모델이 TO에서 GAN보다 우수한지 조사한다.
• 성능 및 타당성 제약이 있는 공학 역문제에 확산 모델을 적용하기 위한 일반 프레임워크를 제공한다.

제안 방법

• 부피 분율, 변형에너지 밀도, 폰 미제스 응력, 경계-경계 하중의 네 입력 채널을 가지는 UNet 기반의 조건부 확산 모델을 사용한다.
• 컴플라이언스를 예측하는 대리 모델을 통해 회귀자 가이던스를 도입하고 확산의 디노이징 평균을 이동시켜 높은 컴플라이언스 설계를 감소시킨다.
• 샘플링 과정에 부유 재료 분류기를 도입하여 부유 재료를 처벌하는 분류자 가이던스를 도입한다.
• 제어된 최대 노이즈 수준과 함께 회귀자 및 분류자 가이던스를 결합하여 샘플을 실현 가능하고 저 컴플라이언스 토폴로지로 향하도록 한다(알고리즘 2).
• 제약 조건 및 경계 조건을 추가 채널로 표현하고 유한 요소 해석으로 계산된 물리장(pysical fields)을 조건화에 반영한다.

실험 결과

연구 질문

• RQ1 명시적 성능 및 제조성 가이던스가 있는 토폴로지 최적화에서 조건부 확산 모델이 GAN보다 더 우수하게 작동할 수 있는가?
• RQ2 TO를 위한 확산 샘플링에 회귀자(컴플라이언스) 및 분류자(타당성) 가이던스를 어떻게 통합할 수 있는가?
• RQ3 분포 외 경계 조건 및 다양한 하중에 대해 확산 기반 TO 방법이 일반화되는가?

주요 결과

• TopoDiff는 레벨-2 테스트에서 TopologyGAN에 비해 평균 컴플라이언스 오차를 8배 감소시키고 레벨-1에서 11배 감소시켰다.
• TopoDiff는 레벨-1 데이터에서 GAN 기준선보다 부유재료(제조 불가 설계) 비율을 11배, 레벨-2 데이터에서 약 6배 감소시켰다.
• 레벨-1 테스트에서 안내된 샘플링으로 평균 컴플라이언스 오차를 48.51%에서 4.39%로 감소시켰다.
• 레벨-2 테스트에서 평균 컴플라이언스 오차를 143.08%에서 18.40%로 감소시켰다.
• 가이드된 TopoDiff는 평균 부피 분율 오차를 감소시키고 부유 재료의 존재를 TopologyGAN과 비교해 상당히 낮춘다.
• 컴플라이언스 및 부유 재료 예측에 대한 대리 모델은 저잡음 입력에서 신뢰성이 유지되며 노이즈 증가에 따라 우아하게 악화된다.