Optimiser n'importe quelle topologie : un modèle de base pour l'optimisation topologique structurelle indépendante de la forme et de la résolution

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

L'optimisation topologique (OT) est au cœur de la conception en ingénierie mais reste très gourmande en calculs en raison de la complexité des phénomènes physiques et des contraintes rigides. Les méthodes existantes basées sur l'apprentissage profond se limitent à des grilles carrées fixes, à quelques conditions aux limites prédéfinies manuellement et à une optimisation a posteriori, ce qui empêche un déploiement généralisé. Nous présentons Optimize Any Topology (OAT), un modèle fondateur qui prédit directement des configurations à compliance minimale pour des rapports d'aspect, des résolutions, des fractions volumiques, des charges et des fixations arbitraires. OAT combine un autoencodeur agnostique à la résolution et à la forme avec un décodeur à champ neuronal implicite et un modèle de diffusion latente conditionnelle entraîné sur OpenTO, un nouveau corpus de 2,2 millions de structures optimisées couvrant 2 millions de configurations uniques de conditions aux limites. Sur quatre benchmarks publics et deux tests exigeants non vus lors de l'entraînement, OAT réduit la compliance moyenne jusqu'à 90 % par rapport aux meilleurs modèles antérieurs et offre une inférence en moins d'une seconde sur un seul GPU, pour des résolutions allant de 64 x 64 à 256 x 256 et des rapports d'aspect allant jusqu'à 10:1. Ces résultats établissent OAT comme un cadre général, rapide et indépendant de la résolution pour l'optimisation topologique prenant en compte la physique, et fournissent un jeu de données à grande échelle pour stimuler la recherche future en modélisation générative pour la conception inverse. Le code et les données sont disponibles à l'adresse 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.