Compositional Generative Inverse Design

要約

逆設計は、基礎となる目的関数を最適化するために入力変数を設計しようとするもので、機械工学から航空宇宙工学などの分野にわたって生じる重要な問題です。
逆計画は通常、最適化問題として定式化され、最近の研究では学習されたダイナミクス モデル全体の最適化が活用されています。
ただし、モデルが最適化されると、敵対的モードに陥る傾向があり、効果的なサンプリングが妨げられます。
代わりに、拡散モデルによって取得された学習されたエネルギー関数を最適化することで、そのような敵対的な例を回避し、設計パフォーマンスを大幅に向上できることを示します。
さらに、このような設計システムがどのように構成されているかを示し、目的のシステムのサブコンポーネントを表す複数の異なる拡散モデルを組み合わせて、指定されたすべてのコンポーネントを備えたシステムを設計できるようにします。
N 体相互作用タスクと挑戦的な 2D マルチ翼形設計タスクでは、テスト時に学習した拡散モデルを構成することで、この方法によりトレーニング時よりも複雑な初期状態と境界形状を設計できることを実証しました。
データ。
私たちの方法は、N 体データセットのより多くのオブジェクトに一般化され、複数翼型設計タスクにおける抗力を最小限に抑えるための編隊飛行を発見します。
プロジェクトの Web サイトとコードは、https://github.com/AI4Science-WestlakeU/cindm で見つけることができます。

要約(オリジナル)

Inverse design, where we seek to design input variables in order to optimize an underlying objective function, is an important problem that arises across fields such as mechanical engineering to aerospace engineering. Inverse design is typically formulated as an optimization problem, with recent works leveraging optimization across learned dynamics models. However, as models are optimized they tend to fall into adversarial modes, preventing effective sampling. We illustrate that by instead optimizing over the learned energy function captured by the diffusion model, we can avoid such adversarial examples and significantly improve design performance. We further illustrate how such a design system is compositional, enabling us to combine multiple different diffusion models representing subcomponents of our desired system to design systems with every specified component. In an N-body interaction task and a challenging 2D multi-airfoil design task, we demonstrate that by composing the learned diffusion model at test time, our method allows us to design initial states and boundary shapes that are more complex than those in the training data. Our method generalizes to more objects for N-body dataset and discovers formation flying to minimize drag in the multi-airfoil design task. Project website and code can be found at https://github.com/AI4Science-WestlakeU/cindm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google