あらゆるトポロジーを最適化：形状・解像度に依存しない構造トポロジー最適化の基盤モデル

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

October 26, 2025

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

cs.AI

要旨

構造的トポロジー最適化（TO）は工学設計において中心的な役割を果たすが、複雑な物理現象と厳格な制約条件により計算負荷が高い課題がある。既存の深層学習手法は固定された正方格子、少数の手動設定境界条件、事後最適化に限定されており、汎用的な適用が妨げられていた。本研究では、任意のアスペクト比、解像度、体積率、荷重条件、固定条件に対して最小コンプライアンスのレイアウトを直接予測する基盤モデルフレームワーク「Optimize Any Topology（OAT）」を提案する。OATは、解像度と形状に依存しないオートエンコーダ、暗黙的神経場デコーダ、および200万種類の境界条件設定を網羅する220万の最適化構造からなる新規コーパスOpenTOで訓練した条件付き潜在拡散モデルを統合している。4つの公開ベンチマークと2つの難易度の高い未見テストにおいて、OATは従来モデルと比較して平均コンプライアンスを最大90%低減し、64×64から256×256の解像度および10:1までの高アスペクト比において、単一GPUで1秒未満の推論を実現した。これらの結果は、OATが物理考慮型トポロジー最適化のための汎用的・高速・解像度非依存のフレームワークであることを示し、逆設計のための生成的モデリング研究を促進する大規模データセットを提供する。コードとデータはhttps://github.com/ahnobari/OptimizeAnyTopologyで公開されている。

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.