[论文解读] Scalable Deep-Learning-Accelerated Topology Optimization for Additively Manufactured Materials

Sirui Bi, Jiaxin Zhang+1 more|arXiv (Cornell University)|Nov 28, 2020

Topology Optimization in Engineering参考文献 42被引用 6

一句话总结

该论文提出SDL-TO，一种可扩展的深度学习框架，通过在多台CPU和GPU上进行分布式训练，从迭代历史数据中学习代理梯度，从而加速增材制造材料的拓扑优化（TO）。通过采用局部采样策略降低设计空间的维度，SDL-TO在保持设计质量竞争力的同时，相比标准TO实现了8.6倍的加速。

ABSTRACT

Topology optimization (TO) is a popular and powerful computational approach for designing novel structures, materials, and devices. Two computational challenges have limited the applicability of TO to a variety of industrial applications. First, a TO problem often involves a large number of design variables to guarantee sufficient expressive power. Second, many TO problems require a large number of expensive physical model simulations, and those simulations cannot be parallelized. To address these issues, we propose a general scalable deep-learning (DL) based TO framework, referred to as SDL-TO, which utilizes parallel schemes in high performance computing (HPC) to accelerate the TO process for designing additively manufactured (AM) materials. Unlike the existing studies of DL for TO, our framework accelerates TO by learning the iterative history data and simultaneously training on the mapping between the given design and its gradient. The surrogate gradient is learned by utilizing parallel computing on multiple CPUs incorporated with a distributed DL training on multiple GPUs. The learned TO gradient enables a fast online update scheme instead of an expensive update based on the physical simulator or solver. Using a local sampling strategy, we achieve to reduce the intrinsic high dimensionality of the design space and improve the training accuracy and the scalability of the SDL-TO framework. The method is demonstrated by benchmark examples and AM materials design for heat conduction. The proposed SDL-TO framework shows competitive performance compared to the baseline methods but significantly reduces the computational cost by a speed up of around 8.6x over the standard TO implementation.

研究动机与目标

• 为解决涉及数百万个设计变量和昂贵物理仿真计算的大型拓扑优化（TO）带来的高计算成本问题。
• 通过聚焦于从迭代历史数据中学习梯度而非整个参数空间，克服全局代理建模的局限性。
• 开发一种可扩展、可泛化的框架，利用深度学习与高性能计算（HPC）加速TO。
• 通过用学习得到的代理梯度替代昂贵的物理仿真，实现在TO中高效、快速的在线更新。
• 在基准问题和大规模增材制造（AM）材料热传导设计中展示该框架的有效性。

提出的方法

• 该框架利用深度神经网络（DNNs）从优化过程的迭代历史数据中训练，学习代理梯度。
• 在多个CPU上并行处理数据处理与采样，同时在多个GPU上进行分布式深度学习训练。
• 引入一种局部采样策略，以降低设计空间的固有高维性，提升训练准确性和可扩展性。
• 代理梯度支持优化过程中的快速在线更新，替代高成本的物理仿真调用。
• 该方法具有通用性，适用于任何依赖计算密集型物理模型或求解器的基于梯度的优化。
• 该框架基于HPC资源实现，支持在16至128个计算节点间水平扩展。

实验结果

研究问题

• RQ1 能否有效利用深度学习，通过从迭代历史数据中学习代理梯度来加速拓扑优化？
• RQ2 如何降低大规模设计空间的高维性，以提升训练效率与准确性？
• RQ3 在保持解质量的前提下，分布式深度学习与HPC能在多大程度上加速TO？
• RQ4 在实际的AM材料设计中，所提出的框架能否在真实场景下实现相对于标准串行TO实现的显著加速？
• RQ5 局部采样策略对代理梯度学习过程的可扩展性与性能有何影响？

主要发现

• 当使用128个计算节点时，SDL-TO框架相比标准串行TO（Seq-TO）实现了8.6倍的加速，显著缩短了求解时间。
• 该框架在最终设计质量方面表现优异，所有测试迭代中目标值和迭代设计与Seq-TO几乎完全一致。
• 采用局部采样策略有效降低了设计空间的维度，提升了训练准确性，并支持可扩展的分布式训练。
• 代理梯度模型支持快速在线更新，仅需12步梯度学习后，即可大幅减少对昂贵物理仿真依赖。
• 该框架在16至128个节点间表现出良好可扩展性，分别实现了1.08倍、2.23倍、4.58倍和8.60倍的加速。
• 该方法具有通用性，适用于计算科学与工程中大量大规模、高维、计算密集型设计优化问题。