Neural Networks for Generating Better Local Optima in Topology Optimization

近来，神经网络已被用作反问题和拓扑优化中的伴随优化框架中的材料离散化。虽然一些反问题中发现了优越的正则化效果和更好的极值，但对于拓扑优化，其好处有限，重点研究的是符合性问题。我们展示了神经网络材料离散化如何在某些条件下，在更具挑战性的优化问题中找到更好的局部极值，这里我们特别考虑声学拓扑优化。通过使用不同的神经网络初始化运行多个部分优化，可以显着提高识别更好极值的机会。此外，我们展示了神经网络材料离散化的优势来自与Adam优化器的相互作用，并强调其在与约束和高阶优化技术竞争时的当前局限性。目前，该离散化只被证明对于无约束的一阶优化是有益的。

神经网络材料离散化在声学拓扑优化中的应用

使用神经网络材料离散化可以在更具挑战性的优化问题中找到更好的局部最优解，特别是在声学拓扑优化中。通过使用不同的神经网络初始化运行多个部分优化，可以显著提高识别更好最优解的机会。

论文展示了神经网络材料离散化的优点，并强调了与Adam优化器的相互作用。但是，该方法在与受限制和高阶优化技术竞争时的局限性也被指出。

最近的相关研究包括使用神经网络进行材料优化的其他工作，如“Topology Optimization with Generative Adversarial Networks”和“Deep Material Network for Multiscale Topology Optimization”。