어떠한 위상구조도 최적화: 형상 및 해상도 제약 없는 구조 위상 최적화를 위한 기초 모델

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

October 26, 2025

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

cs.AI

초록

구조 토폴로지 최적화(TO)는 공학 설계의 핵심이지만 복잡한 물리 법칙과 강한 제약 조건으로 인해 계산 집약도가 높은 문제로 남아 있습니다. 기존 딥러닝 방법은 고정된 정사각형 격자, 소수의 수동 코딩된 경계 조건, 그리고 사후 최적화에 국한되어 있어 일반적인 적용이 어렵습니다. 본 연구에서는 임의의 종횡비, 해상도, 체적 분율, 하중 및 고정 조건에 대해 최소 준수도의 레이아웃을 직접 예측하는 파운데이션 모델 프레임워크인 OAT(Optimize Any Topology)를 소개합니다. OAT는 해상도 및 형상에 무관한 오토인코더와 암묵적 신경망 필드 디코더, 그리고 200만 개의 고유한 경계 조건 구성을 포함하는 220만 개의 최적화된 구조로 구성된 새로운 코퍼스인 OpenTO로 학습된 조건부 잠재 확산 모델을 결합했습니다. 4개의 공개 벤치마크와 2개의 까다로운 미검증 테스트에서 OAT는 기존 최고 모델 대비 평균 준수도를 최대 90%까지 낮추었으며, 단일 GPU에서 64x64부터 256x256에 이르는 해상도와 최대 10:1의 종횡비에서 1초 미만의 추론 속도를 제공했습니다. 이러한 결과는 OAT를 물리 인식 토폴로지 최적화를 위한 일반적이고 빠르며 해상도 제약이 없는 프레임워크로 입증하며, 역설계를 위한 생성 모델링의 추가 연구를 촉진할 대규모 데이터셋을 제공합니다. 코드와 데이터는 https://github.com/ahnobari/OptimizeAnyTopology에서 확인할 수 있습니다.

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.