Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies

要約

このペーパーでは、マルチ忠実度評価、機械学習モデル、最適化アルゴリズムの戦略的相乗効果を通じて、限られたコンピューティングによって制約されるシナリオで逆計画最適化プロセスを強化するように設計された方法論を紹介します。
提案された方法論は、翼型逆設計とスカラー場再構成問題という 2 つの異なる工学逆設計問題に関して分析されます。
各最適化サイクルで、低忠実度のシミュレーション データでトレーニングされた機械学習モデルを活用することで、ターゲット変数を適切に予測し、高忠実度のシミュレーションが必要かどうかを識別し、特に計算リソースを節約します。
さらに、機械学習モデルは最適化の前に戦略的に展開され、検索スペースが削減されるため、最適なソリューションへの収束がさらに加速されます。
この方法論は、Differential Evolution と Particle Swarm Optimization という 2 つの最適化アルゴリズムを強化するために採用されています。
比較分析により、両方のアルゴリズムにわたるパフォーマンスの向上が示されます。
特に、この手法はあらゆる逆設計アプリケーションに適切に適応でき、代表的な低忠実度の機械学習モデルと高忠実度のシミュレーションの間の調和のとれた相乗効果を促進し、あらゆる種類の母集団ベースの最適化アルゴリズムにシームレスに適用できます。

要約(オリジナル)

This paper introduces a methodology designed to augment the inverse design optimization process in scenarios constrained by limited compute, through the strategic synergy of multi-fidelity evaluations, machine learning models, and optimization algorithms. The proposed methodology is analyzed on two distinct engineering inverse design problems: airfoil inverse design and the scalar field reconstruction problem. It leverages a machine learning model trained with low-fidelity simulation data, in each optimization cycle, thereby proficiently predicting a target variable and discerning whether a high-fidelity simulation is necessitated, which notably conserves computational resources. Additionally, the machine learning model is strategically deployed prior to optimization to reduce the search space, thereby further accelerating convergence toward the optimal solution. The methodology has been employed to enhance two optimization algorithms, namely Differential Evolution and Particle Swarm Optimization. Comparative analyses illustrate performance improvements across both algorithms. Notably, this method is adeptly adaptable across any inverse design application, facilitating a harmonious synergy between a representative low-fidelity machine learning model, and high-fidelity simulation, and can be seamlessly applied across any variety of population-based optimization algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google