神经网络拓扑优化新框架：单循环搞定百万自由度应力约束，设计边界更 sharp！
Scalable Stress-Constrained Topology Optimization: A Super-resolution and Simultaneous Approach Based on Machine Learning
📖 AI 总结
针对大规模应力约束拓扑优化计算成本高的问题，文章提出同步神经拓扑优化框架（SNTO），用定制神经网络分别表示状态变量、伴随变量和设计变量，在单一优化循环中借助连续伴随分析与自动微分联合优化网络参数，并通过多分量损失函数同时兼顾设计目标、局部应力约束聚合与势能泛函。网络采用特殊架构以加快收敛并捕捉应力约束优化所需的尖锐梯度与边界。为实现百万自由度级扩展，作者设计了硬件感知训练方案，将设计域划分到多块GPU，并进一步切片以控制显存峰值、顺序评估并累积梯度；该划分无需额外损失项即可保证子域间场连续性。二维基准测试显示，SNTO相较传统有限元方法能给出超分辨率设计，边界更清晰、灰度区域更小、体积分数更低；三维问题规模达800万个配点，训练分布于最多8块GPU。
🔑 关键词速览
| 拓扑优化 (Topology Optimization, TO) | 一种在给定载荷和约束下优化材料分布的结构设计方法。 |
| 应力约束 (Stress-constrained) | 在优化过程中限制结构局部应力不超过许用值的约束条件。 |
| 同时神经拓扑优化 (SNTO) | 本文提出的框架，用神经网络同时表示状态、伴随和设计变量并进行联合优化。 |
| 自动微分 (Automatic Differentiation) | 一种通过计算图自动计算函数导数的技术，用于神经网络训练。 |
| 超分辨率 (Super-resolution) | 指生成比传统网格更精细、边界更清晰的设计结果。 |
📱 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