Fusion of ML with numerical simulation for optimized propeller design

要約

コンピューター支援エンジニアリング設計では、設計者の目標は、最適化手法を使用したループ内の数値シミュレーターを使用して、特定の要件に最適な設計を見つけることです。
この設計最適化プロセスにおいて、優れた設計最適化プロセスとは、開始から設計までの時間を短縮できるプロセスです。
この作業では、評価するのに計算コストがかからないが、高次元の設計空間を持つ設計問題のクラスを取り上げます。
このような場合、従来の代理ベースの最適化では何のメリットもありません。
この作業では、ML モデルを使用して検索問題を逆問題として定式化し、最適な設計または少なくとも最適化のための適切な初期シード設計を見つけることで時間を節約できる設計プロセスを代用する代替方法を提案します。
このトレーニング済みのサロゲート モデルを従来の最適化手法で使用することにより、両方の長所を活かすことができます。
これを、Surrogate Assisted Optimization (SAO) と呼びます。これは、ML サロゲートと従来の最適化手法を組み合わせたハイブリッド アプローチです。
プロペラ設計問題の経験的評価は、SAO を使用したより少ない評価でより効率的な設計を見つけることができることを示しています。

要約(オリジナル)

In computer-aided engineering design, the goal of a designer is to find an optimal design on a given requirement using the numerical simulator in loop with an optimization method. In this design optimization process, a good design optimization process is one that can reduce the time from inception to design. In this work, we take a class of design problem, that is computationally cheap to evaluate but has high dimensional design space. In such cases, traditional surrogate-based optimization does not offer any benefits. In this work, we propose an alternative way to use ML model to surrogate the design process that formulates the search problem as an inverse problem and can save time by finding the optimal design or at least a good initial seed design for optimization. By using this trained surrogate model with the traditional optimization method, we can get the best of both worlds. We call this as Surrogate Assisted Optimization (SAO)- a hybrid approach by mixing ML surrogate with the traditional optimization method. Empirical evaluations of propeller design problems show that a better efficient design can be found in fewer evaluations using SAO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google