[논문 리뷰] Style-constrained inverse design of microstructures with tailored mechanical properties using unconditional diffusion models

Weipeng Xu, Ziyuan Xie외 4명|arXiv (Cornell University)|2026. 01. 10.

Topology Optimization in Engineering인용 수 0

한 줄 요약

본 논문은 조건 없는 노이즈 제거 확산 모델과 미분 가능 프로그래밍을 이용해 스타일을 유지하면서 레이블링된 데이터셋이나 새로운 문제에 대한 재학습 없이도 목표 기계적 특성을 갖는 미세구조를 생성하는 역설계 프레임워크를 제시한다.

ABSTRACT

Deep generative models, particularly denoising diffusion models, have achieved remarkable success in high-fidelity generation of architected microstructures with desired properties and styles. Nevertheless, these recent methods typically rely on conditional training mechanisms and demand substantial computational effort to prepare the labeled training dataset, which makes them inflexible since any change in the governing equations or boundary conditions requires a complete retraining process. In this study, we propose a new inverse design framework that integrates unconditional denoising diffusion models with differentiable programming techniques for architected microstructure generation. Our approach eliminates the need for expensive labeled dataset preparation and retraining for different problem settings. By reinterpreting the noise input to the diffusion model as an optimizable design variable, we formulate the design task as an optimization problem over the noise input, enabling control over the reverse denoising trajectory to guide the generated microstructure toward the desired mechanical properties while preserving the stylistic constraints encoded in the training dataset. A unified differentiation pipeline via vector-Jacobian product concatenations is developed to enable end-to-end gradient evaluation through backpropagation. Several numerical examples, ranging from the design of microstructures with specified homogenized properties to those with targeted hyperelastic and elasto-plastic behaviors, showcase the effectiveness of the framework and its potential for advanced design tasks involving diverse performance and style requirements.

연구 동기 및 목표

• 성능과 기하학적/스타일 특징을 결합하는 스타일 제약 역설계의 동기 부여 및 가능하게 하기.
• 다른 문제 설정에 적응할 때 레이블된 데이터세트와 모델 재학습의 필요성을 제거한다.
• 목표 기계적 응답을 달성하기 위해 확산 노이즈 입력을 최적화하는 엔드-투-엔드 미분 가능 파이프라인을 개발한다.
• 원하는 특성을 얻는 동안 학습 데이터에 인코딩된 스타일 제약을 최적화 중에 보존한다.

제안 방법

• 지오메트리/스타일 특징을 포착하기 위해 이미지 데이터셋에서 조건 없는 확산 모델을 학습한다.
• 확산 모델의 입력 노이즈를 최적화 가능한 설계 변수로 재해석하고 이 노이즈에 대한 최적화 문제를 구성한다.
• 생성된 이미지를 투사(projection) 통해 유한요소 메시로 변환하고 재료 특성을 할당한 뒤 기계적 반응을 평가하기 위해 FEA를 수행한다.
• 확산 모델과 기계 해석기를 통해 그래디언트를 계산하기 위해 벡터-야코비안 곱과 어조인트 기반 민감도 분석을 포함한 통합 미분 파이프라인을 사용한다.
• 결정적이고 빠른 샘플링과 추적 가능한 설계 궤적을 위해 eta=0인 DDIM을 채택한다.
• 제조 가능(거의 이진)에 가까운 설계로 점차 픽셀 값을 선명하게 하는 다단계 최적화를 적용한다.

실험 결과

연구 질문

• RQ1 조건 없는 확산 모델이 differentiable programming으로 최적화되어 데이터셋에 인코딩된 스타일을 보존하면서 목표 기계적 특성을 만족하는 미세구조를 생성할 수 있는가?
• RQ2 조건 없는 확산 모델의 노이즈 입력을 어떻게 최적화해 역확산 경로를 원하는 특성 타깃으로 유도할 수 있는가?
• RQ3 확산 모델과 FEA를 통해 엔드-투-엔드 최적화를 가능하게 하는 differentiable 기술(어조인트 기반 그래디언트 평가 포함)은 무엇인가?
• RQ4 프레임워크가 스타일 제약을 유지하면서 동질화된/hyperelastic/elasto-plastic 설계 타깃에서도 작동하는가?

주요 결과

• 계산적 균질화를 통해 맞춤형 균질화 특성을 갖는 미세구조 설계 시연.
• 확산 유래 설계를 최적화하여 목표 하이퍼弹性 및 소성 거동을 달성하는 능력을 보였다.
• 확산 모델과 기계 해석기를 모두 통해 그래디언트를 역전파하는 통합 VJP 기반 파이프라인을 제공했다.
• 최적화 중에 학습 데이터에서 학습된 스타일 제약이 보존된다는 것을 검증했다.
• 가우시안 혼합물 및 메타물질 미세구조를 포함한 개념적 및 수치적 예제로 접근 방식을 시演했다.