[论文解读] 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 5

一句话总结

本文提出一种基于随机梯度的拓扑优化不确定性方法（TOuU），通过每轮迭代仅使用少量伴随/前向求解来近似目标函数、约束条件及其梯度，显著降低计算成本。该方法结合SGD变体与GCMMA，实现高效稳健设计，在高维不确定性下性能可与确定性方法相媲美。

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.

研究动机与目标

• 解决传统TOuU方法因需大量伴随/前向求解以实现精确梯度估计而导致的高计算成本问题。
• 为高维不确定性下的TOuU提供可扩展解决方案，尤其适用于统计矩和梯度计算成本高昂的情形。
• 通过每轮迭代用低成本随机近似替代确定性梯度计算，实现高效稳健拓扑优化。
• 将随机梯度集成至现代SGD算法（如Adam、AdaGrad）与传统非线性规划方法（GCMMA）中，提升方法适用范围。
• 在2D与3D结构设计问题中，结合SIMP与水平集方法，验证该方法的有效性。

提出的方法

• 每轮优化迭代使用少量随机样本（如n=4）生成目标函数、约束条件及其梯度的统计独立随机近似。
• 用基于蒙特卡洛采样的随机估计替代精确梯度计算，显著降低每轮迭代的计算成本。
• 将这些随机梯度集成至随机优化算法中，包括SGD、AdaGrad与Adam，以高效探索设计空间。
• 对全局收敛移动渐近线法（GCMMA）进行改进，使其可使用随机梯度，同时保持收敛性并减少计算开销。
• 将该方法应用于固相各向同性材料惩罚法（SIMP）与显式水平集方法，实现拓扑优化。
• 采用密度阈值（如0.5或0.7）将最终设计解释为0–1材料分布，评估向二值解的收敛性。

实验结果

研究问题

• RQ1 随机梯度近似能否将TOuU的计算成本降低至接近确定性水平，同时保持设计质量？
• RQ2 在TOuU中使用随机梯度时，基于SGD的方法（如Adam、AdaGrad）与传统非线性规划方法（GCMMA）相比表现如何？
• RQ3 每轮迭代的采样数量在多大程度上影响随机近似的准确性和收敛性？
• RQ4 所提方法能否在不同结构构型与不确定性水平下，实现低方差、高性能的稳健设计？
• RQ5 在TOuU中，自适应梯度方法（如AdaGrad、Adam）相比GCMMA是否能更有效地实现向0–1设计的收敛？

主要发现

• 随机梯度方法将TOuU的计算成本降低至仅确定性拓扑优化成本的少量倍数，使此前不可行的问题变得可解。
• 在示例II中，GCMMA、AdaGrad与Adam三种方法均实现了目标值较初始设计降低97–99%的显著性能提升。
• AdaGrad与Adam生成的0–1设计优于GCMMA，表现为材料密度值在0与1附近的直方图更密集，表明向二值解的收敛性更优。
• GCMMA在高密度阈值（如0.7）下难以收敛至0–1设计，而基于SGD的方法始终保持更清晰的材料分布形态。
• 自适应梯度方法（AdaGrad、Adam）在目标函数中方差权重较高时，能更有效地导航非凸设计空间。
• 该方法在2D与3D示例中均成功生成直观且稳健的设计，且每轮迭代仅需极少采样（如n=4），证实了低成本随机近似的可行性。