[论文解读] Topology Optimization via Machine Learning and Deep Learning: A Review

Seungyeon Shin, Dongju Shin+1 more|arXiv (Cornell University)|Oct 19, 2022

Topology Optimization in Engineering被引用 5

一句话总结

本综述综合分析了机器学习（ML）与深度学习（DL）在拓扑优化（TO）中的应用，探讨了ML如何通过降低计算成本来加速TO。从拓扑优化的视角（为何使用ML）与机器学习的视角（如何应用ML）两方面进行分析，识别当前研究的局限性，并提出高效、数据驱动的设计优化未来方向。

ABSTRACT

Topology optimization (TO) is a method of deriving an optimal design that satisfies a given load and boundary conditions within a design domain. This method enables effective design without initial design, but has been limited in use due to high computational costs. At the same time, machine learning (ML) methodology including deep learning has made great progress in the 21st century, and accordingly, many studies have been conducted to enable effective and rapid optimization by applying ML to TO. Therefore, this study reviews and analyzes previous research on ML-based TO (MLTO). Two different perspectives of MLTO are used to review studies: (1) TO and (2) ML perspectives. The TO perspective addresses "why" to use ML for TO, while the ML perspective addresses "how" to apply ML to TO. In addition, the limitations of current MLTO research and future research directions are examined.

研究动机与目标

• 系统性地回顾并分析机器学习（ML）与深度学习（DL）在拓扑优化（TO）中的整合，以应对高计算成本问题。
• 从设计效率与优化性能的角度，探讨将ML应用于TO的动因。
• 探索ML在TO中应用的技术方法，重点关注模型架构、数据表征与训练策略。
• 识别当前基于ML的TO研究中的局限性，包括数据稀缺性、泛化能力与可解释性问题。
• 提出未来研究方向，以推动数据高效、鲁棒且可扩展的ML增强型拓扑优化框架发展。

提出的方法

• 将基于ML的拓扑优化（MLTO）分为两个视角：拓扑优化视角（为何使用ML）与机器学习视角（如何应用ML）。
• 回顾应用于TO的各类ML技术，包括监督学习、强化学习，以及生成模型如生成对抗网络（GANs）与扩散模型。
• 分析用于将TO设计编码为ML可处理形式的数据表征方法，如水平集法与密度基方法。
• 研究专为TO设计的损失函数与优化目标，包括柔度最小化与应力分布控制。
• 评估模型训练策略，包括迁移学习与领域随机化，以提升在不同设计领域间的泛化能力。
• 讨论架构创新，如针对TO特定任务（如材料分布预测）而改进的U-Net与基于Transformer的模型。

实验结果

研究问题

• RQ1 将机器学习整合到拓扑优化中的主要动因是什么？
• RQ2 不同机器学习架构与训练范式如何提升拓扑优化的效率与准确性？
• RQ3 在TO中应用ML的关键技术挑战有哪些，例如数据稀缺性、泛化能力与模型可解释性？
• RQ4 基于ML的方法与传统TO方法相比，在计算成本与解质量方面有何差异？
• RQ5 在推进ML增强型拓扑优化方面，最具前景的未来研究方向是什么？

主要发现

• 基于ML的TO方法相比传统的有限元法优化，显著降低了计算时间，部分方法实现了高达1000倍的速度提升。
• 监督学习模型，特别是U-Net架构，在从输入载荷与边界条件预测最优材料分布方面表现出色。
• 生成模型如GANs与扩散模型在单次推理中展现出探索多样化、高质量设计候选的潜力。
• 迁移学习与领域自适应技术可提升模型在不同设计领域间的泛化能力，减少对大规模重新训练的需求。
• 尽管已有进展，当前MLTO方法在复杂、多载荷场景下的泛化能力仍面临挑战，且所学设计规则缺乏可解释性。
• 将物理信息神经网络（PINNs）与TO结合，展现出在保持数据效率的同时强制执行机械约束的潜力。