論文の概要: Optimize Any Topology: A Foundation Model for Shape- and Resolution-Free Structural Topology Optimization
- arxiv url: http://arxiv.org/abs/2510.23667v1
- Date: Sun, 26 Oct 2025 15:11:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:36.331615
- Title: Optimize Any Topology: A Foundation Model for Shape- and Resolution-Free Structural Topology Optimization
- Title（参考訳）: 任意のトポロジーを最適化する: 形状と分解能のない構造トポロジー最適化のための基礎モデル
- Authors: Amin Heyrani Nobari, Lyle Regenwetter, Cyril Picard, Ligong Han, Faez Ahmed,
- Abstract要約: 本稿では,任意のアスペクト比,解像度,ボリューム率,負荷,フィクスチャの最小コンプライアンスレイアウトを直接予測する基盤モデルフレームワークを提案する。
OATは、解像度と形状に依存しないオートエンコーダと暗黙のニューラルフィールドデコーダとOpenTOでトレーニングされた条件付き潜在拡散モデルを組み合わせる。
OATは、最高の先行モデルと比較して90%のコンプライアンスを低くし、64 x 64から256 x 256までの解像度と10:1までのアスペクト比で、単一のGPUでサブ-1秒の推論を提供する。
- 参考スコア（独自算出の注目度）: 12.045163367827042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structural topology optimization (TO) is central to engineering design but remains computationally intensive due to complex physics and hard constraints. Existing deep-learning methods are limited to fixed square grids, a few hand-coded boundary conditions, and post-hoc optimization, preventing general deployment. We introduce Optimize Any Topology (OAT), a foundation-model framework that directly predicts minimum-compliance layouts for arbitrary aspect ratios, resolutions, volume fractions, loads, and fixtures. OAT combines a resolution- and shape-agnostic autoencoder with an implicit neural-field decoder and a conditional latent-diffusion model trained on OpenTO, a new corpus of 2.2 million optimized structures covering 2 million unique boundary-condition configurations. On four public benchmarks and two challenging unseen tests, OAT lowers mean compliance up to 90% relative to the best prior models and delivers sub-1 second inference on a single GPU across resolutions from 64 x 64 to 256 x 256 and aspect ratios as high as 10:1. These results establish OAT as a general, fast, and resolution-free framework for physics-aware topology optimization and provide a large-scale dataset to spur further research in generative modeling for inverse design. Code & data can be found at https://github.com/ahnobari/OptimizeAnyTopology.
- Abstract（参考訳）: 構造トポロジ最適化(TO)は工学的設計の中心であるが、複雑な物理と厳しい制約のために計算的に集中している。
既存のディープラーニング手法は、固定正方形グリッド、いくつかの手書き境界条件、およびポストホック最適化に限られており、一般的な展開を妨げている。
任意のアスペクト比、解像度、ボリューム分数、ロード、フィクスチャの最小準拠レイアウトを直接予測する基盤モデルフレームワークであるOptimize Any Topology (OAT)を紹介します。
OATは、解像度と形状に依存しないオートエンコーダと、暗黙のニューラルフィールドデコーダと、OpenTOでトレーニングされた条件付き潜在拡散モデルを組み合わせる。
4つの公開ベンチマークと2つの挑戦的な未確認テストでは、OAT低下は、最高の先行モデルと比較して90%のコンプライアンスを意味し、64 x 64から256 x 256の解像度で1つのGPUでサブ-1秒の推論を提供し、アスペクト比は10:1である。
これらの結果は,物理を意識したトポロジ最適化のための汎用的で高速かつ分解能のないフレームワークとしてOATを確立し,逆設計のための生成モデリングのさらなる研究を促進するための大規模データセットを提供する。
コードとデータはhttps://github.com/ahnobari/OptimizeAnyTopologyで見ることができる。
関連論文リスト
- Preconditioned Norms: A Unified Framework for Steepest Descent, Quasi-Newton and Adaptive Methods [50.070182958880146]
本稿では,事前条件付き行列ノルムの新たな概念を通じて,降下法,準ニュートン法,適応法を一般化する統一的枠組みを提案する。
この枠組みでは、行列パラメータ化設定におけるアフィンとスケール不変性の最初の体系的処理を提供する。
我々は、Muonのスペクトル幾何学とAdamスタイルのプレコンディショニングを組み合わせた、$ttMuAdam$と$texttMuAdam-SANIA$という2つの新しい方法を紹介した。
論文 参考訳（メタデータ） (2025-10-12T19:39:41Z) - A surrogate model for topology optimisation of elastic structures via parametric autoencoders [0.0]
状態(および随伴)問題のパラメトリック解を学ぶ代わりに、提案手法は最適化パイプライン全体のサロゲートバージョンを考案する。
本手法は, 均質化法により最適化された高忠実度トポロジの代理モデルとして, 与えられた問題構成に対する準最適トポロジを予測する。
異なるアーキテクチャを提案し、得られたモデルの近似と一般化能力を数値的に評価する。
論文 参考訳（メタデータ） (2025-07-30T10:07:42Z) - Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
線形最小化オラクル(LMO)を用いて問題の幾何学に適応する新しいアルゴリズム群を提案する。
我々は,Adamに頼らずに,我々のアルゴリズムであるScionを用いたナノGPTトレーニングの大幅な高速化を示す。
論文 参考訳（メタデータ） (2025-02-11T13:10:34Z) - Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes [0.0]
トポロジ最適化(TO)は、その物質空間分布を予め定義された領域で設計し、制約の集合に従うことによって、構造の性能を最適化する原理的な数学的アプローチを提供する。
我々は,ガウス過程(GP)の枠組みに基づく新しいTO手法を開発し,その平均関数はディープニューラルネットワークを介してパラメータ化される。
本手法を商用ソフトウェアに実装した従来のTO手法に対して検証するため,ストークスフローにおける消散電力の最小化を含む4つの問題に対して評価を行った。
論文 参考訳（メタデータ） (2024-08-07T01:01:35Z) - Hierarchical Patch Diffusion Models for High-Resolution Video Generation [50.42746357450949]
我々は,階層的な方法で,コンテキスト情報を低スケールから高スケールのパッチに伝播する深層文脈融合を開発する。
また,ネットワーク容量の増大と,粗い画像の細部への演算を行う適応計算を提案する。
得られたモデルは、クラス条件のビデオ生成において66.32の最先端FVDスコアと87.68のインセプションスコアを新たに設定する。
論文 参考訳（メタデータ） (2024-06-12T01:12:53Z) - Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。
SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。
本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
論文 参考訳（メタデータ） (2023-03-17T03:47:10Z) - iDARTS: Differentiable Architecture Search with Stochastic Implicit
Gradients [75.41173109807735]
微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。
暗黙の関数定理に基づいてDARTSの過次計算に取り組む。
提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
論文 参考訳（メタデータ） (2021-06-21T00:44:11Z) - Physics-consistent deep learning for structural topology optimization [8.391633158275692]
トポロジ最適化は、コンポーネントの設計を洗練し、パフォーマンスを向上するための一般的なアプローチとして現れています。
現在の最新のトポロジ最適化フレームワークは計算集約的です。
本稿では,高分解能の3次元測地におけるトポロジ最適化のための深層学習に基づくフレームワークについて検討する。
論文 参考訳（メタデータ） (2020-12-09T23:05:55Z) - Deep learning-based topological optimization for representing a
user-specified design area [0.060917028769172814]
本稿では,設計領域や他の境界条件に対して,繰り返しを伴わない最適化された構造を生成するための新しいディープラーニングモデルを提案する。
最適化された構造の解像度は32×32ピクセルであり、設計条件は設計面積、体積率、外部力の分布、負荷である。
提案モデルの性能をBNとSPADEを使用しないCNNモデルと比較し,平均絶対誤差(MAE),平均コンプライアンス誤差,ボリューム誤差と,MAT-LAB符号で生成された最適化トポロジ構造との比較を行った。
論文 参考訳（メタデータ） (2020-04-11T18:54:07Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。