[论文解读] On the use of Artificial Neural Networks in Topology Optimisation

Rebekka V. Woldseth, Niels Aage+2 more|arXiv (Cornell University)|Aug 4, 2022

Metaheuristic Optimization Algorithms Research被引用 8

一句话总结

本文批判性地回顾了人工神经网络（ANNs）在拓扑优化（TO）中的应用，评估其通过替代迭代求解器或实现无迭代设计来加速TO的潜力。文章识别出关键挑战，如对AI‘魔法’的过度依赖、泛化能力差以及基准测试不足，同时建议未来研究应采用物理信息神经网络和模型降阶方法以推动进展。

ABSTRACT

The question of how methods from the field of artificial intelligence can help improve the conventional frameworks for topology optimisation has received increasing attention over the last few years. Motivated by the capabilities of neural networks in image analysis, different model-variations aimed at obtaining iteration-free topology optimisation have been proposed with varying success. Other works focused on speed-up through replacing expensive optimisers and state solvers, or reducing the design-space have been attempted, but have not yet received the same attention. The portfolio of articles presenting different applications has as such become extensive, but few real breakthroughs have yet been celebrated. An overall trend in the literature is the strong faith in the "magic" of artificial intelligence and thus misunderstandings about the capabilities of such methods. The aim of this article is therefore to present a critical review of the current state of research in this field. To this end, an overview of the different model-applications is presented, and efforts are made to identify reasons for the overall lack of convincing success. A thorough analysis identifies and differentiates between problematic and promising aspects of existing models. The resulting findings are used to detail recommendations believed to encourage avenues of potential scientific progress for further research within the field.

研究动机与目标

• 批判性评估当前利用人工神经网络（ANNs）进行拓扑优化（TO）的研究现状。
• 识别尽管兴趣日益增长，为何许多基于AI的TO方法仍未实现重大突破。
• 区分TO中ANN应用的前景与问题，重点关注计算效率与模型可靠性。
• 基于对现有方法及其局限性的全面分析，提出可操作的未来研究建议。
• 通过明确神经网络的实际能力与限制，促进AI在TO中更科学、更理性的应用。

提出的方法

• 系统性回顾100余篇关于ANNs在TO中应用的文献，按应用类型（如代理建模、直接预测、PINNs）进行分类。
• 评估用于替代有限元分析（FEA）求解器或优化迭代的ANNs，分析其在不同问题规模下的精度与泛化能力。
• 分析物理信息神经网络（PINNs）在TO中近似偏微分方程（PDE）解的应用，将物理定律嵌入损失函数。
• 研究模型降阶与下采样技术，以减少设计变量数量和计算成本。
• 将所提出的基于AI的TO框架与标准TO及最先进的模型降阶方法进行比较，而非与全规模TO对比。
• 使用开源代码（如top88）以确保基准结果的可复现性，包括通过双三次插值进行上采样和体积保持的阈值处理。

实验结果

研究问题

• RQ1 人工神经网络在拓扑优化中在不牺牲精度的前提下，能在多大程度上替代迭代求解器？
• RQ2 为何许多基于AI的TO方法未能在常规方法之上实现一致且可扩展的改进？
• RQ3 当前ANN在TO应用中的关键局限是什么，特别是泛化能力与数据效率方面？
• RQ4 如何有效将物理信息神经网络（PINNs）集成到TO工作流中，以提升解的精度与效率？
• RQ5 通过机器学习实现的模型降阶与特征提取，可在哪些方面提升拓扑优化的可扩展性？

主要发现

• 许多基于AI的TO方法存在过度乐观情绪，并将神经网络误解为‘魔法’工具，导致错误预期与可复现性差。
• 直接训练ANN预测TO结果的方法通常无法泛化到训练时未涵盖的特定问题集，尤其是在应用于更大或不同尺寸的域时表现不佳。
• 物理信息神经网络（PINNs）在使用较少训练样本的情况下近似TO中的PDE解方面展现出潜力，但其与TO的整合仍研究不足。
• 通过双三次插值对粗网格TO结果进行上采样，再结合体积保持的阈值处理，可生成合理的设计，但精度高度依赖于网格分辨率与插值质量。
• 利用机器学习对TO结果进行后处理——尤其是去均质化与制造就绪几何转换——仍处于发展初期，但具有显著提升工业适用性的潜力。
• 通过基于机器学习的下采样或重参数化减少设计变量数量，可显著降低计算成本，但前提是必须从循环中移除FEA，这需要新型无求解器框架。