SELTO: Sample-Efficient Learned Topology Optimization

要約

トポロジー最適化のためのサンプル効率の高い深層学習戦略を提示します。
私たちのエンドツーエンドのアプローチは監視されており、物理ベースの前処理と等変ネットワークが含まれています。
大規模な比較を通じて、ディープ ラーニング パイプラインのさまざまなコンポーネントが必要なトレーニング サンプルの数にどのように影響するかを分析します。
結果は、物理的な概念を含めることで、サンプルの効率が大幅に向上するだけでなく、予測の物理的な正確性も向上することを示しています。
最後に、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 つのトポロジー最適化データセットを公開します。
これらのデータセットにより、この分野での比較可能性と将来の進歩が改善されると確信しています。

要約(オリジナル)

We present a sample-efficient deep learning strategy for topology optimization. Our end-to-end approach is supervised and includes physics-based preprocessing and equivariant networks. We analyze how different components of our deep learning pipeline influence the number of required training samples via a large-scale comparison. The results demonstrate that including physical concepts not only drastically improves the sample efficiency but also the predictions’ physical correctness. Finally, we publish two topology optimization datasets containing problems and corresponding ground truth solutions. We are confident that these datasets will improve comparability and future progress in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google