[論文レビュー] Topology Optimization under Uncertainty using a Stochastic Gradient-based Approach

Subhayan De, Jerrad Hampton+2 more|arXiv (Cornell University)|Feb 11, 2019

Topology Optimization in Engineering参考文献 71被引用数 5

ひとこと要約

本稿では、不確実性下でのトポロジー最適化（TOuU）のための確率的勾配ベースの手法を提案し、各反復で目的関数、制約、および勾配の近似にわずかなアドジョイント/フォワード解法の回数のみを用いることで、計算コストを低減する。この手法により、高次元の不確実性に対しても、決定的手法と同等の性能を達成する効率的なロバスト設計が可能となり、SGDの変種および確率的勾配を用いたGCMMAが統合されている。

ABSTRACT

Topology optimization under uncertainty (TOuU) often defines objectives and constraints by statistical moments of geometric and physical quantities of interest. Most traditional TOuU methods use gradient-based optimization algorithms and rely on accurate estimates of the statistical moments and their gradients, e.g., via adjoint calculations. When the number of uncertain inputs is large or the quantities of interest exhibit large variability, a large number of adjoint (and/or forward) solves may be required to ensure the accuracy of these gradients. The optimization procedure itself often requires a large number of iterations, which may render TOuU computationally expensive, if not infeasible. To tackle this difficulty, we here propose an optimization approach that generates a stochastic approximation of the objective, constraints, and their gradients via a small number of adjoint (and/or forward) solves, per iteration. A statistically independent (stochastic) approximation of these quantities is generated at each optimization iteration. The total cost of this approach is only a small factor larger than that of the corresponding deterministic TO problem. We incorporate the stochastic approximation of objective, constraints and their design sensitivities into two classes of optimization algorithms. First, we investigate the stochastic gradient descent (SGD) method and a number of its variants, which have been successfully applied to large-scale optimization problems for machine learning. Second, we study the use of the proposed stochastic approximation approach within conventional nonlinear programming methods, focusing on the Globally Convergent Method of Moving Asymptotes (GCMMA). The performance of these algorithms is investigated with structural design optimization problems utilizing a Solid Isotropic Material with Penalization (SIMP), as well as an explicit level set method.

研究の動機と目的

• 目的関数や制約の勾配推定に多数のアドジョイント/フォワード解法を要する従来のTOuU手法の高い計算コストを解消すること。
• 統計的モーメントや勾配の計算が高価な高次元不確実性下でもスケーラブルなTOuUソリューションを開発すること。
• 各反復で高価な決定的勾配評価の代わりに低コストの確率的近似を用いることで、効率的なロバストトポロジー最適化を可能にすること。
• 最新のSGDアルゴリズム（例：Adam、AdaGrad）と従来の非線形プログラミング（GCMMA）の両方に対して、確率的勾配を統合し、より広範な適用可能性を実現すること。
• SIMP法およびレベルセット法の両方を用いて、2次元および3次元の構造的最適化問題における本手法の有効性を実証すること。

提案手法

• 各最適化反復で統計的に独立な確率的近似を得るために、少数のランダムサンプル（例：n=4）を用いる。
• モンテカルロサンプリングから得られる推定値を用いて、正確な勾配計算を確率的推定値に置き換えることで、反復あたりのコストを著しく低減する。
• これらの確率的勾配をSGD、AdaGrad、Adamなどの確率的最適化アルゴリズムに統合し、設計空間を効率的に探索する。
• グローバル収束性を持つ移動漸近線法（GCMMA）を確率的勾配を用いるように変更し、収束性を保持しながら計算オーバーヘッドを低減する。
• トポロジー最適化に用いるSIMP法および明示的レベルセット法の両方に対して、本手法を適用する。
• 最終的な設計を0–1材料分布として解釈するため、密度閾値（例：0.5または0.7）を用い、バイナリ解への収束を評価する。

実験結果

リサーチクエスチョン

• RQ1 確率的勾配近似により、TOuUの計算コストを決定的水準にまで低減しつつ、設計の質を維持できるか？
• RQ2 確率的勾配を用いたSGDベースの手法（例：Adam、AdaGrad）と従来の非線形プログラミング（GCMMA）とを比較した場合、TOuUにおいてどの程度性能が異なるか？
• RQ3 各反復におけるサンプル数が、TOuUにおける確率的近似の精度および収束にどの程度影響を与えるか？
• RQ4 提案手法は、異なる構造的構成や不確実性レベルにおいて、低分散かつ高い平均性能を示すロバスト設計を達成できるか？
• RQ5 適応的勾配手法（例：AdaGrad、Adam）を用いることで、GCMMAに比べて0–1設計への収束が改善されるか？

主な発見

• 確率的勾配アプローチにより、TOuUの計算コストが決定的TOコストのわずかな倍率にまで低減され、かつて不可能とされた問題が解けるようになった。
• 例IIにおいて、GCMMA、AdaGrad、Adamの3つの手法すべてが、初期設計から97–99％の目的関数値の低減を達成しており、優れた性能を示した。
• AdaGradとAdamは、0および1に近い材料密度値のヒストограмがより濃くなることから、GCMMAに比べてより良い0–1設計を生成した。
• GCMMAは、特に高い密度閾値（例：0.7）において0–1設計への収束が困難であったが、SGDベースの手法は明確な材料分布パターンを維持した。
• 適応的勾配手法（AdaGrad、Adam）は、目的関数における分散重みが高くなると、非凸設計空間をより効果的に探索できた。
• 本手法は、2次元および3次元の例において、最小限のサンプリング（例：n=4）で直感的でロバストな設計を効果的に生成し、低コストの確率的近似の有効性を確認した。