Diverse Topology Optimization using Modulated Neural Fields

要約

トポロジの最適化（to）は、正式な問題の説明から最適に近い幾何学を導き出す計算方法のファミリーです。
その成功にもかかわらず、メソッドに確立されたものは、単一のソリューションの生成に限定され、代替デザインの調査を制限します。
この制限に対処するために、変調されたニューラルフィールド（TOM）を使用してトポロジー最適化を導入します。これは、明示的に準拠した形状を生成し、明示的な多様性の制約を通じて多様なソリューションを調査するためにニューラルネットワークを訓練するデータフリーの方法です。
ネットワークはループのソルバーでトレーニングされており、各反復の材料分布を最適化します。
訓練されたモデルは、設計要件を密接に順守する多様な形状を生成します。
2Dおよび3DでTOMを問題に検証します。
私たちの結果は、Tomが以前の方法よりも多様なソリューションを生成し、すべて最適性を維持し、データセットに依存することなく、より多様なソリューションを生成していることを示しています。
これらの調査結果は、エンジニアリングと設計のための新しい道を開き、構造的最適化における柔軟性と革新の向上を提供します。

要約(オリジナル)

Topology optimization (TO) is a family of computational methods that derive near-optimal geometries from formal problem descriptions. Despite their success, established TO methods are limited to generating single solutions, restricting the exploration of alternative designs. To address this limitation, we introduce Topology Optimization using Modulated Neural Fields (TOM) – a data-free method that trains a neural network to generate structurally compliant shapes and explores diverse solutions through an explicit diversity constraint. The network is trained with a solver-in-the-loop, optimizing the material distribution in each iteration. The trained model produces diverse shapes that closely adhere to the design requirements. We validate TOM on 2D and 3D TO problems. Our results show that TOM generates more diverse solutions than any previous method, all while maintaining near-optimality and without relying on a dataset. These findings open new avenues for engineering and design, offering enhanced flexibility and innovation in structural optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google