Generative Topology Optimization: Exploring Diverse Solutions in Structural Design

拓扑优化（TO）是一类计算方法，可以从正式的问题描述中推导出接近最优的几何形状。尽管这些方法取得了成功，但现有的TO方法仅限于生成单一解，限制了对替代设计的探索。为了解决这一局限性，我们引入了一种无需数据的生成式拓扑优化方法（GenTO），该方法通过训练神经网络生成结构上合规的形状，并通过显式的多样性约束来探索多种解决方案。网络训练采用求解器循环的方式，在每次迭代中优化材料分布。训练后的模型能够生成多样且严格符合设计要求的形状。我们在二维和三维的拓扑优化问题上验证了GenTO。结果表明，与以往的方法相比，GenTO不仅能生成更多样化的解决方案，还能保持接近最优性，并且由于其固有的并行性，速度提高了几个数量级。这些发现为工程和设计开辟了新的途径，提供了在结构优化中增强灵活性和创新性的可能。

该论文试图解决传统拓扑优化（TO）方法仅能生成单一解的问题，这限制了设计空间的多样性探索。这是一个在工程设计领域中已有的问题，但GenTO提出了一种新的解决方案。

关键思路是引入生成式拓扑优化（GenTO），一种数据驱动的方法，通过训练神经网络来生成符合结构要求的多样化形状，并通过显式的多样性约束来探索多种设计方案。与现有方法不同，GenTO采用了解算器闭环训练，使得材料分布可以在每次迭代中得到优化，从而实现更快且更多样化的解决方案。

论文展示了GenTO在2D和3D拓扑优化问题上的有效性，证明其不仅能产生比以往方法更丰富的解集，还能保持近似最优性，并且由于并行计算的优势，速度提高了大约一个数量级。此外，该方法无需依赖大量数据集进行预训练，具有显著的数据效率。实验设计包括对不同类型的结构优化问题进行测试，验证了方法的广泛适用性。目前没有提及开源代码或具体使用的数据集，但未来的工作可以集中在扩展到更复杂的应用场景和提高模型的可解释性上。

最近的相关研究包括：1. 'Deep Learning for Topology Optimization' 探讨了深度学习在拓扑优化中的应用；2. 'A Survey on Topology Optimization Methods and Applications' 综述了当前主流的TO方法及其应用场景；3. 'Generative Adversarial Networks for Structural Design' 提出了对抗生成网络在结构设计中的潜力。这些研究共同推动了拓扑优化领域的创新与发展。