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

要約

本論文では、マルチフィデリティ評価、機械学習モデル、および最適化アルゴリズムの戦略的相乗効果により、限られた計算量に制約されたシナリオにおける逆設計最適化プロセスを補強するために設計された方法論を紹介する。提案された手法は、2つの異なる工学的逆設計問題、すなわち翼の逆設計とスカラー場の再構成問題で分析される。各最適化サイクルにおいて、低忠実度シミュレーションデータで学習させた機械学習モデルを活用することで、目標変数を適切に予測し、高忠実度シミュレーションが必要かどうかを識別することができ、計算資源を著しく節約することができる。さらに、最適化の前に機械学習モデルを戦略的に導入することで、設計空間の境界を圧縮し、最適解への収束をさらに加速する。この手法は、差分進化と粒子群最適化という2つの最適化アルゴリズムを強化するために採用された。比較分析により、両アルゴリズムの性能向上が示されている。特に、この手法は、あらゆる逆設計アプリケーションに適応可能であり、代表的な低忠実度MLモデルと高忠実度シミュレーションの間の相乗効果を促進し、あらゆる多様な集団ベースの最適化アルゴリズムにシームレスに適用することができる。｝

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 compress the design space boundaries, 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 adaptable across any inverse design application, facilitating a synergy between a representative low-fidelity ML 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, DeepL