冻结扩散模型零训练，让文本直接优化结构，柔度最高降31.5%！
Zero-shot rib design: merging training-free generative prior with topology optimization
📖 AI 总结
本研究提出一种零样本肋结构设计方法，将冻结的文本到图像扩散模型作为无需训练的设计知识来源，通过分数蒸馏采样将其融入基于密度的拓扑优化物理循环，使文本提示成为工程师设计意图的机器可解释表示。每次迭代中，提示诱导的生成梯度与有限元灵敏度相结合，由物理决定哪些生成特征得以保留。在覆盖四个几何域和两种物理机制的245次主要SDS实验中，49个提示—域组合中有38个实现统计显著的柔度降低，机械与热弹性场景分别最高降低31.5%和23.0%，优于基于梯度的基线。跨域形态分析发现，生成先验在多数域中抑制肋骨架的盲端分支，端点与柔度相关系数达0.56至0.99。该方法通过更换文本提示即可将生成先验迁移至不同域、载荷与物理目标，为工程设计中预训练生成模型的可复用、免训练先验提供了新路径。
🔑 关键词速览
| 分数蒸馏采样 (SDS) | 一种利用预训练扩散模型作为先验，通过梯度蒸馏指导优化过程的方法。 |
| 拓扑优化 | 一种在给定载荷和约束下，寻找材料最优分布以优化结构性能的数学方法。 |
| 扩散模型 | 一类生成模型，通过逐步去噪过程从随机噪声中生成数据，如文本到图像生成。 |
| 柔度 | 结构在载荷作用下变形的难易程度，柔度越低表示结构刚度越高。 |
| Heaviside投影 | 一种用于拓扑优化中抑制中间密度、获得清晰0-1设计的技术。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅