[论文解读] Towards Goal, Feasibility, and Diversity-Oriented Deep Generative Models in Design

Lyle Regenwetter, Faez Ahmed|arXiv (Cornell University)|Jun 14, 2022

BIM and Construction Integration被引用 6

一句话总结

本文提出了一种新颖的深度生成模型 PaDGAN，结合设计目标达成指数（DTAI），联合优化设计性能、可行性、多样性和目标满足度。通过集成可微分的 DTAI 损失和辅助可行性分类器，该模型在复杂自行车车架设计任务中，于八项指标上显著优于最先进方法，实现 69.8% 的目标达成率和 95.9% 的可行性率。

ABSTRACT

Deep Generative Machine Learning Models (DGMs) have been growing in popularity across the design community thanks to their ability to learn and mimic complex data distributions. DGMs are conventionally trained to minimize statistical divergence between the distribution over generated data and distribution over the dataset on which they are trained. While sufficient for the task of generating "realistic" fake data, this objective is typically insufficient for design synthesis tasks. Instead, design problems typically call for adherence to design requirements, such as performance targets and constraints. Advancing DGMs in engineering design requires new training objectives which promote engineering design objectives. In this paper, we present the first Deep Generative Model that simultaneously optimizes for performance, feasibility, diversity, and target achievement. We benchmark performance of the proposed method against several Deep Generative Models over eight evaluation metrics that focus on feasibility, diversity, and satisfaction of design performance targets. Methods are tested on a challenging multi-objective bicycle frame design problem with skewed, multimodal data of different datatypes. The proposed framework was found to outperform all Deep Generative Models in six of eight metrics.

研究动机与目标

• 为解决深度生成模型（DGMs）在工程设计中的不足，现有方法通常仅关注统计相似性，而非设计特定目标（如性能、可行性与目标一致性）。
• 开发一种训练目标，使 DGM 能够优先考虑、满足并超越设计师指定的多目标性能指标。
• 同时优化设计可行性、多样性和目标达成度，克服现有 DGM 仅关注数据分布相似性的局限。
• 通过与最先进 DGM 进行全面比较，使用与工程设计综合相关的综合指标对所提框架进行基准测试。
• 通过将性能、可行性和多样性整合到单一可微训练目标中，建立数据驱动设计生成的新最先进水平。

提出的方法

• 提出设计目标达成指数（DTAI），一种可微分损失函数，用于量化设计在多个目标上超越指定性能目标的程度。
• 将 DTAI 集成到性能增强型多样化生成对抗网络（PaDGAN）框架中，联合优化性能、多样性和目标达成度。
• 引入辅助几何可行性分类器，引导生成器产生可行设计，从而提高生成输出的可行性率。
• 使用行列式点过程（DPP）在最终损失函数中平衡多样性和性能，确保生成设计既高性能又多样化。
• 采用多阶段训练流程，其中生成器使用复合损失进行训练，该损失结合了 DTAI、可行性似然和多样性得分。
• 在具有 10 项性能目标和偏斜、多峰数据的复杂多目标自行车车架设计问题上验证该框架。

实验结果

研究问题

• RQ1 能否训练深度生成模型，使其同时优化设计性能、可行性、多样性和目标达成度？
• RQ2 与传统的统计相似性目标相比，可微分损失函数 DTAI 在提升目标满足度和性能方面有何改进？
• RQ3 在复杂工程设计任务中，辅助可行性分类器在多大程度上提升了生成设计的可行性率？
• RQ4 与最先进 DGM 相比，所提框架在可行性、多样性和性能指标方面表现如何？
• RQ5 DTAI 与可行性约束的整合是否能显著提升设计新颖性和解空间覆盖率？

主要发现

• 所提出的 PaDGAN 搭载 DTAI 和可行性分类器，实现了 69.8% 的平均目标达成率，较次佳基线（48.4%）提升 45%。
• 生成设计的可行性率达到 95.9%，较最先进方法 MO-PaDGAN（87.1%）提升 30%，较平均基线（72.7%）提升 30.7%。
• 该模型实现了 0.79 的平均 DTAI 得分，显著优于次佳方法（0.69），表明其与设计师指定性能目标的对齐程度更高。
• 在八项评估指标中的六项上，该方法优于所有基线，包括超体积（3.82×10⁻⁷）、平均设计新颖性（9.96）和平均性能空间多样性（2.71）。
• 消融研究证实，DTAI 损失和可行性分类器均不可或缺，移除任一组件均导致目标达成率和可行性率显著下降。
• 小提琴图分析显示，与基线模型相比，该方法生成的设计分布始终具有更高的目标达成率和更优的性能得分。