[论文解读] Shape optimization in laminar flow with a label-guided variational autoencoder

Stephan Eismann, Stefan Bartzsch+1 more|arXiv (Cornell University)|Dec 10, 2017

Advanced Multi-Objective Optimization Algorithms参考文献 9被引用 7

一句话总结

该论文提出一种标签引导的变分自编码器（VAE）与高斯过程回归相结合的方法，用于二维层流流场中的数据驱动形状优化，实现贝叶斯优化以发现阻力降低的物体形状。通过联合训练 VAE 与阻力预测器，该方法提升了泛化能力，在最优训练样本基础上实现了 4–8% 的阻力系数降低。

ABSTRACT

Computational design optimization in fluid dynamics usually requires to solve non-linear partial differential equations numerically. In this work, we explore a Bayesian optimization approach to minimize an object's drag coefficient in laminar flow based on predicting drag directly from the object shape. Jointly training an architecture combining a variational autoencoder mapping shapes to latent representations and Gaussian process regression allows us to generate improved shapes in the two dimensional case we consider.

研究动机与目标

• 通过用数据驱动模型替代 PDE 求解器，解决流体动力学模拟在形状优化中的高计算成本问题。
• 通过引入对象几何的标签引导编码，提升基于形状的阻力预测的泛化能力。
• 通过使用具有不确定性感知的回归进行潜在空间搜索，实现流体动力学性能的高效贝叶斯优化。
• 证明联合训练 VAE 与阻力预测器在测试性能上优于顺序训练。
• 在无需显式参数化设计的情况下，生成二维层流流场中新型低阻力形状。

提出的方法

• 变分自编码器（VAE）将二维二值物体形状编码为连续潜在空间，解码器用于重建形状。
• 独立的“阻力网络”将潜在向量映射到预测的阻力系数，通过共享损失目标与 VAE 联合训练。
• 稀疏谱高斯过程（GP）将阻力系数建模为潜在码的函数，为贝叶斯优化提供不确定性估计。
• 通过在潜在空间中进行梯度上升，优化期望改进（EI）获取函数，以指导形状生成。
• 优化从潜在分布中的随机点开始，通过 Sobel 边缘检测和阻力计算评估解码后的形状。
• 通过组合 VAE 与阻力网络的损失函数，实现 VAE 与阻力网络的联合训练，支持标签引导的表征学习。

实验结果

研究问题

• RQ1 与标准 VAE 相比，标签引导的 VAE 是否能提升基于形状的阻力预测中的泛化能力？
• RQ2 VAE 与阻力预测器的联合训练是否在测试性能上优于顺序训练？
• RQ3 在潜在空间中进行的贝叶斯优化能否发现阻力低于训练数据集中形状的物体？
• RQ4 通过 GP 回归进行的不确定性估计如何支持形状优化中的高效探索？
• RQ5 数据驱动模型在多大程度上可减少流体设计中对昂贵的 Navier-Stokes 模拟的需求？

主要发现

• 联合训练模型在泛化能力上表现显著更优，最优结果的稀疏谱 GP 测试均方误差（MSE）为 0.52，而独立训练模型为 0.76。
• 在最佳联合训练设置下，阻力网络的测试 MSE 达到 0.54，优于独立训练的 0.92 MSE。
• 优化后表现最佳的三个解码形状，其阻力系数均比训练集中最优形状降低 4–8%。
• 在最佳联合训练设置下，测试集上的重建损失降低至 0.28，而独立训练为 0.50，表明生成保真度有所提升。
• 该方法通过在潜在空间中直接生成有前景的形状并结合不确定性感知优化，减少了对重复 Navier-Stokes 求解的需求。
• 结合 VAE 与 GP 使用阻力网络，实现了无需显式参数化设计的有效且可扩展的形状搜索。