LInK: Learning Joint Representations of Design and Performance Spaces through Contrastive Learning for Mechanism Synthesis

要約

本論文では、離散変数と連続変数を含む工学設計における複雑な逆問題を解くために、性能と設計空間の対比学習と最適化技術を統合した新しいフレームワークであるLInKを紹介する。我々は、平面リンク機構の経路合成問題に焦点を当てる。マルチモーダルかつ変換不変な対比学習フレームワークを活用することで、LInKはメカニズムの複雑な物理表現と設計表現を捉える共同表現を学習し、1,000万以上のメカニズムからなる膨大なデータセットからの迅速な検索を可能にする。このアプローチは、階層的無制約非線形最適化アルゴリズムのウォームスタートによって精度を向上させ、伝統的な最適化のロバスト性と最新のディープラーニング手法のスピードと適応性を組み合わせている。既存のベンチマークにおける我々の結果は、LInKが、既存のベンチマークで20倍少ない時間を要しながら、最新のアプローチと比較して28倍少ないエラーで既存の手法を上回ることを実証している。さらに、LINK ABCと名付けられた、より難易度の高いベンチマークを紹介する。このベンチマークは、英語の大文字アルファベットの軌跡をたどる連結を合成するもので、非線形性が大きく、実行可能空間が小さいため、既存の手法が苦手とする逆設計ベンチマークタスクである。我々の結果は、LInKが機構設計の分野を発展させるだけでなく、対照学習と最適化の適用範囲を工学の他の分野にも広げることを示している。コードとデータは、https://github.com/ahnobari/LInK で公開されている。

要約(オリジナル)

In this paper, we introduce LInK, a novel framework that integrates contrastive learning of performance and design space with optimization techniques for solving complex inverse problems in engineering design with discrete and continuous variables. We focus on the path synthesis problem for planar linkage mechanisms. By leveraging a multimodal and transformation-invariant contrastive learning framework, LInK learns a joint representation that captures complex physics and design representations of mechanisms, enabling rapid retrieval from a vast dataset of over 10 million mechanisms. This approach improves precision through the warm start of a hierarchical unconstrained nonlinear optimization algorithm, combining the robustness of traditional optimization with the speed and adaptability of modern deep learning methods. Our results on an existing benchmark demonstrate that LInK outperforms existing methods with 28 times less error compared to a state of the art approach while taking 20 times less time on an existing benchmark. Moreover, we introduce a significantly more challenging benchmark, named LINK ABC, which involves synthesizing linkages that trace the trajectories of English capital alphabets, an inverse design benchmark task that existing methods struggle with due to large nonlinearities and tiny feasible space. Our results demonstrate that LInK not only advances the field of mechanism design but also broadens the applicability of contrastive learning and optimization to other areas of engineering. The code and data are publicly available at https://github.com/ahnobari/LInK.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL