27750

بهينه‌‌سازي توپولوژي عصبي وضوح بالا مبتني بر موتور فيزيكي مشتق‌پذير

كارشناسي ارشد

مهندسي كامپيوتر

1398

1401/7/30

ناصر مزيني

مهندسي كامپيوتر

بهينه‌سازي توپولوژي روشي است كه در آن طراحي‌اي را در جهت ساخت و توليد مورد پردازش قرار مي‌دهد كه هدف در آن، دستيابي به يك ساختار بهينه است كه در ازاي دستيابي به يك توزيع بهينه از مواد، همزمان محدوديت‌هاي فيزيكي نظير توزيع نيروهاي وارده، محدوديت مواد، جنس مواد و ساير شرايط مرزي و اوليه را ارضا مي‌كند. به بيان ساده‌تر، بهنيه‌سازي توپولوژي به دنبال پاسخ به اين سوال است كه چطور مواد را درون يك دامنه طراحي معين قرار دهيم به طوري كه بهترين كارايي ساختاري را بدست آوريم. در اين پايان‌نامه، مسئله بهينه‌سازي توپولوژي را با پارامتري سازي طراحي‌ها به روش جديد‌ فيلدهاي عصبي يا شبكه‌هاي عصبي مبتني بر مختصات، مورد حل قرار مي‌دهيم. به‌ طور ويژه، شبكه‌هاي عصبي مبتني بر نگاشت ويژگي‌هاي فوريه، با ايجاد دسترسي به كنترل فركانس طراحي‌هاي توليد شده، نتايج بسيار خوبي را توليد مي‌كنند. روش ارايه شده توانايي توليد يك بازه پيوسته از جواب‌ها با ساختار و كيفيت مختلف، تنها با اتكا به يك اندازه ثابت از گسسته‌سازي را دارد. اين قابليت از طريق ويژگي‌هاي فوريه كه در نهايت كنترل دامنه فركانسي در خروجي را بدست كاربر مي‌دهند، در اختيار قرار گرفته است. از طرفي، اين كنترل فركانسي در روش ارايه‌ شده، ويژگي‌هاي جذابي از خود نشان مي‌دهد كه از جمله آنها، مي‌توان به استقلال از مش، يعني توليد طراحي يكسان در ازاي اندازه‌هاي مش متفاوت و فيلترينگ زير-واكسلي كه قابليت توليد مولد را بدست مي‌دهد، اشاره كرد. همچنين، نشان داده شده است كه قابليت توليد مولد با توجه به فاصله ميان قدرت سخت‌افزارها و توان پردازشي الگوريتم‌ها، اهميت بسياري براي مبحث بزرگنمايي دارد.

1401/10/30

High Resolution Neural Topology Optimization Based on Differentiable Physics Engine

10/22/2023 12:00:00 AM

Topology Optimization is a method in which a design with the goal of manufacturing undergoes a process where the goal is to find an optimal structure and simultaneously satisfy physical constraints such as distribution of loads, material constraints, and other boundary and initial conditions. In other words, topology optimization seeks to answer the question of how we can place material within a specific domain in the way that gives us the best performance. This thesis solves the topology optimization problem by parameterizing the designs via newly introduced neural fields or coordinate-based neural networks. Specifically, we show that networks with Fourier feature mapping can achieve state-of-the-art performance by enabling frequency control over the produced designs. Our method allows the realization of a continuous range of designs with different structures and quality, using only a single fixed mesh discretization. This ability has been obtained via tuning the frequency domain of the solutions through Fourier features. This frequency control offers attractive properties, such as mesh-independent results, generating the same design via different meshes, and sub-pixel filtering, for generative design. Also, given the gap between the power capabilities of the hardware and the computational power of algorithms, generative design has a vital role in upsampling.

بهينه‌سازي توپولوژي , شبكه‌هاي عصبي عميق‌ , روش المان محدود , ابر رزولوشن , طراحي مولد

Topology Optimization , Deep Neural Networks , Finite Elements Method , Super-Resolution , Generative Design

Mohammad Doosti Lakhani

Nasser Mozayani