Optimización de Cualquier Topología: Un Modelo Fundacional para la Optimización Topológica Estructural Libre de Forma y Resolución

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

October 26, 2025

Autores: Amin Heyrani Nobari, Lyle Regenwetter, Cyril Picard, Ligong Han, Faez Ahmed

cs.AI

Resumen

La optimización topológica estructural (TO) es fundamental en el diseño de ingeniería, pero sigue siendo computacionalmente intensiva debido a la física compleja y las restricciones estrictas. Los métodos existentes de aprendizaje profundo se limitan a mallas cuadradas fijas, unas pocas condiciones de contorno codificadas manualmente y una optimización a posteriori, lo que impide su despliegue generalizado. Presentamos Optimize Any Topology (OAT), un marco de modelo fundacional que predice directamente configuraciones de mínima complianza para relaciones de aspecto, resoluciones, fracciones de volumen, cargas y sujeciones arbitrarias. OAT combina un autoencoder independiente de la resolución y la forma con un decodificador de campo neuronal implícito y un modelo de difusión latente condicional entrenado en OpenTO, un nuevo corpus de 2.2 millones de estructuras optimizadas que cubre 2 millones de configuraciones únicas de condiciones de contorno. En cuatro benchmarks públicos y dos pruebas desafiantes no vistas, OAT reduce la complianza media hasta en un 90% respecto a los mejores modelos anteriores y ofrece inferencia en menos de 1 segundo en una sola GPU para resoluciones desde 64 x 64 hasta 256 x 256 y relaciones de aspecto de hasta 10:1. Estos resultados establecen a OAT como un marco general, rápido y libre de resolución para la optimización topológica consciente de la física, y proporcionan un conjunto de datos a gran escala para impulsar más investigación en modelado generativo para diseño inverso. El código y los datos se pueden encontrar en https://github.com/ahnobari/OptimizeAnyTopology.

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.