[논문 리뷰] Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders

Rini Jasmine Gladstone, Mohammad Amin Nabian외 2명|arXiv (Cornell University)|2021. 07. 19.

Topology Optimization in Engineering인용 수 5

한 줄 요약

이 논문은 다중 정밀도 변동형 오토인코더(VAE)를 사용하여 계산 비용을 줄이고, 신경망 대체 모델을 통한 강건한 구조 최적화를 위한 딥러닝 기반 대체 최적화 프레임워크를 제안한다. 고차원 설계를 저차원 잠복 공간으로 투영하고, 유한요소 해석기 대신 신경망 대체 모델을 사용함으로써, 빠른 기울기 기반 최적화를 가능하게 하여 훈련 데이터 내의 설계보다 낮은 강건한 응력 에너지를 달성한다.

ABSTRACT

Robust topology optimization (RTO), as a class of topology optimization problems, identifies a design with the best average performance while reducing the response sensitivity to input uncertainties, e.g. load uncertainty. Solving RTO is computationally challenging as it requires repetitive finite element solutions for different candidate designs and different samples of random inputs. To address this challenge, a neural network method is proposed that offers computational efficiency because (1) it builds and explores a low dimensional search space which is parameterized using deterministically optimal designs corresponding to different realizations of random inputs, and (2) the probabilistic performance measure for each design candidate is predicted by a neural network surrogate. This method bypasses the numerous finite element response evaluations that are needed in the standard RTO approaches and with minimal training can produce optimal designs with better performance measures compared to those observed in the training set. Moreover, a multi-fidelity framework is incorporated to the proposed approach to further improve the computational efficiency. Numerical application of the method is shown on the robust design of L-bracket structure with single point load as well as multiple point loads.

연구 동기 및 목표

• 고차원 설계 공간과 반복적인 유한요소 해석 분석으로 인해 발생하는 강건한 구조 최적화(RTO)의 높은 계산 비용을 해결하기 위해.
• 차원 감소를 위한 데이터 효율적이고 미분 가능한 구조 최적화의 매개변수화를 위해 변동형 오토인코더(VAE)를 사용하기 위해.
• 계산 비용이 높은 유한요소 해석기를 신경망 대체 모델로 대체하여 불확실성 하에서의 확률적 응력 에너지를 예측하기 위해.
• 강건한 설계 향상을 위해 저차원 잠복 공간에서 효율적인 기울기 기반 최적화를 가능하게 하기 위해.
• 메서드가 훈련 데이터 세트 내의 설계보다 낮은 강건한 응력 에너지를 가진 설계를 생성할 수 있음을 보여주기 위해.

제안 방법

• 다양한 입력 불확실성 실현값 하에서의 결정론적 구조 최적화 결과를 기반으로 VAE를 훈련하여 설계의 저차원 잠복 표현을 학습한다.
• VAE의 인코더는 고차원 설계(예: 128×128)를 압축된 잠복 공간(예: 2D)으로 매핑함으로써 효율적인 설계 탐색을 가능하게 한다.
• 별도의 딥러닝 신경망 대체 모델을 훈련하여 잠복 코드에서 강건한 응력 에너지(불확실성 하에서의 기대 응력 에너지)를 예측한다.
• 잠복 공간에서 기울기 하강법을 사용하여 예측된 강건한 응력 에너지를 최소화하는 최적화를 수행한다.
• 검색 과정은 다양한 불확실성 실현값 하에서 결정론적 TO 문제의 해가 되는 설계로 제한되어 있어 물리적 타당성을 보장한다.
• 한정된 데이터로 일반화 능력을 향상시키기 위해 고정밀도 유한요소 결과와 저정밀도 VAE 생성 설계를 모두 활용한 다중 정밀도 훈련을 실시한다.

실험 결과

연구 질문

• RQ1 최소한의 훈련 데이터에서 VAE가 설계의 의미 있는 저차원 잠복 표현을 효과적으로 학습할 수 있는가?
• RQ2 딥러닝 신경망 대체 모델이 높은 일반화 능력과 미분 가능성으로 잠복 공간에서 강건한 응력 에너지를 정확히 예측할 수 있는가?
• RQ3 잠복 공간에서의 기울기 기반 최적화가 유한요소 기반 RTO에 비해 계산 효율성과 해의 품질 측면에서 뛰어나게 성능을 발휘하는가?
• RQ4 메서드가 훈련 데이터 세트 내의 어떤 설계보다 낮은 강건한 응력 에너지를 가진 설계를 생성할 수 있는가?
• RQ5 메서드의 성능가 훈련 데이터의 품질과 대표성에 따라 어떻게 달라지는가?

주요 결과

• VAE는 단지 800개의 훈련 샘플만으로도 설계 특징을 효과적으로 학습하여 잠복 공간에서 다양한 물리적으로 타당한 설계를 생성한다.
• 잠복 공간의 차원 수가 단지 2D로 감소되어 원래의 설계 공간이 16,384차원이었음에도 불구하고 매우 효율적인 최적화가 가능해졌다.
• 잠복 공간에서의 기울기 기반 최적화는 10회 이내에 수렴하여 유한요소 기반 RTO에 비해 빠른 속도를 확보했다.
• 기울기 하강법을 통해 도달한 최종 설계는 강건한 응력 에너지가 20,637로, 훈련 데이터 세트에서 가장 우수한 설계(20,715)보다 낮아 뛰어난 성능을 보였다.
• 메서드는 훈련 데이터 세트 내의 어떤 설계보다 낮은 강건한 응력 에너지를 가진 설계를 생성하여 훈련 분포를 초월한 효과적인 탐색이 가능함을 시사한다.