SELTO: Sample-Efficient Learned Topology Optimization

要約

ディープラーニング (DL) の最近の開発は、トポロジー最適化 (TO) の大きな可能性を示唆しています。
ただし、いくつかの有望な試みはあるものの、このサブ分野には基本的な手法やデータセットに関する確固たる基盤がまだありません。
私たちは両方の点に対処することを目指しています。
まず、物理ベースの前処理と等変ネットワークを調査して、TO DL パイプライン用のサンプル効率の高いコンポーネントを作成します。
私たちは、エンドツーエンドの教師付きトレーニングを使用した大規模なアブレーション研究でそれらを評価します。
結果は、サンプル効率と予測の物理的正確さが大幅に改善されたことを示しています。
次に、比較可能性と将来の進歩を向上させるために、問題と対応するグラウンド トゥルース ソリューションを含む 2 つの最初の TO データセットを公開します。

要約(オリジナル)

Recent developments in Deep Learning (DL) suggest a vast potential for Topology Optimization (TO). However, while there are some promising attempts, the subfield still lacks a firm footing regarding basic methods and datasets. We aim to address both points. First, we explore physics-based preprocessing and equivariant networks to create sample-efficient components for TO DL pipelines. We evaluate them in a large-scale ablation study using end-to-end supervised training. The results demonstrate a drastic improvement in sample efficiency and the predictions’ physical correctness. Second, to improve comparability and future progress, we publish the two first TO datasets containing problems and corresponding ground truth solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google