Optimierung beliebiger Topologien: Ein Grundmodell für form- und auflösungsunabhängige strukturelle Topologieoptimierung

Optimize Any Topology: A Foundation Model for Shape- and Resolution-Free Structural Topology Optimization

October 26, 2025

papers.authors: Amin Heyrani Nobari, Lyle Regenwetter, Cyril Picard, Ligong Han, Faez Ahmed

cs.AI

papers.abstract

Die topologische Optimierung (TO) ist zentral im Ingenieurdesign, bleibt jedoch aufgrund komplexer Physik und harter Randbedingungen rechenintensiv. Bestehende Deep-Learning-Methoden sind auf feste quadratische Gitter, einige hartkodierte Randbedingungen und nachgelagerte Optimierung beschränkt, was einen allgemeinen Einsatz verhindert. Wir stellen Optimize Any Topology (OAT) vor, ein Foundation-Model-Framework, das direkt nachgiebigkeitsminimale Layouts für beliebige Seitenverhältnisse, Auflösungen, Volumenanteile, Lasten und Auflager vorhersagt. OAT kombiniert einen auflösungs- und formagnostischen Autoencoder mit einem impliziten Neural-Field-Decoder und einem konditionellen Latent-Diffusion-Modell, das auf OpenTO trainiert wurde – einem neuen Korpus von 2,2 Millionen optimierten Strukturen, die 2 Millionen einzigartige Randbedingungskonfigurationen abdecken. In vier öffentlichen Benchmarks und zwei anspruchsvollen, ungesehenen Tests reduziert OAT die mittlere Nachgiebigkeit um bis zu 90 % im Vergleich zu den besten bisherigen Modellen und ermöglicht Inferenzzeiten von unter einer Sekunde auf einer einzelnen GPU über Auflösungen von 64 x 64 bis 256 x 256 und Seitenverhältnissen von bis zu 10:1. Diese Ergebnisse etablieren OAT als allgemeines, schnelles und auflösungsunabhängiges Framework für physikbewusste topologische Optimierung und bieten einen großen Datensatz, um weitere Forschung im generativen Modellieren für inverses Design anzuregen. Code & Daten sind unter https://github.com/ahnobari/OptimizeAnyTopology verfügbar.

English

Structural topology optimization (TO) is central to engineering design but remains computationally intensive due to complex physics and hard constraints. Existing deep-learning methods are limited to fixed square grids, a few hand-coded boundary conditions, and post-hoc optimization, preventing general deployment. We introduce Optimize Any Topology (OAT), a foundation-model framework that directly predicts minimum-compliance layouts for arbitrary aspect ratios, resolutions, volume fractions, loads, and fixtures. OAT combines a resolution- and shape-agnostic autoencoder with an implicit neural-field decoder and a conditional latent-diffusion model trained on OpenTO, a new corpus of 2.2 million optimized structures covering 2 million unique boundary-condition configurations. On four public benchmarks and two challenging unseen tests, OAT lowers mean compliance up to 90% relative to the best prior models and delivers sub-1 second inference on a single GPU across resolutions from 64 x 64 to 256 x 256 and aspect ratios as high as 10:1. These results establish OAT as a general, fast, and resolution-free framework for physics-aware topology optimization and provide a large-scale dataset to spur further research in generative modeling for inverse design. Code & data can be found at https://github.com/ahnobari/OptimizeAnyTopology.