Ottimizzazione di Qualsiasi Topologia: Un Modello di Base per l'Ottimizzazione Topologica Strutturale Libera da Forma e Risoluzione

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

October 26, 2025

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

cs.AI

Abstract

L'ottimizzazione topologica strutturale (TO) è fondamentale nella progettazione ingegneristica ma rimane computazionalmente intensiva a causa della fisica complessa e dei vincoli rigidi. I metodi di deep learning esistenti sono limitati a griglie quadrate fisse, poche condizioni al contorno predefinite e ottimizzazione a posteriori, impedendo un impiego generalizzato. Introduciamo Optimize Any Topology (OAT), un framework foundation-model che predice direttamente layout a minima compliance per rapporti d'aspetto, risoluzioni, frazioni volumetriche, carichi e vincoli arbitrari. OAT combina un autoencoder agnostico alla risoluzione e alla forma con un decoder a campo neurale implicito e un modello di diffusione latente condizionato addestrato su OpenTO, un nuovo corpus di 2,2 milioni di strutture ottimizzate che copre 2 milioni di configurazioni uniche di condizioni al contorno. Su quattro benchmark pubblici e due test impegnativi non visti in fase di addestramento, OAT riduce la compliance media fino al 90% rispetto ai migliori modelli precedenti e fornisce inferenze in meno di un secondo su una singola GPU per risoluzioni da 64x64 a 256x256 e rapporti d'aspetto fino a 10:1. Questi risultati stabiliscono OAT come framework generale, veloce e indipendente dalla risoluzione per l'ottimizzazione topologica consapevole della fisica e forniscono un dataset su larga scala per stimolare ulteriori ricerche sulla modellazione generativa per il design inverso. Codice e dati sono disponibili su 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.