Optimaliseer Elke Topologie: Een Fundamentmodel voor Vorm- en Resolutie-onafhankelijke Structurele Topologie-optimalisatie

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

October 26, 2025

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

cs.AI

Samenvatting

Structurele topologie-optimalisatie (TO) staat centraal in het technisch ontwerp, maar blijft rekenkundig intensief vanwege complexe fysica en harde randvoorwaarden. Bestaande deep-learning-methoden zijn beperkt tot vaste vierkante roosters, enkele handmatig gecodeerde randvoorwaarden en post-hoc-optimalisatie, wat algemene inzet verhindert. Wij introduceren Optimize Any Topology (OAT), een foundation-model-framework dat direct minimaal-compliantie lay-outs voorspelt voor willekeurige aspectverhoudingen, resoluties, volumefracties, belastingen en bevestigingen. OAT combineert een resolutie- en vormagnostische auto-encoder met een impliciet neuraal-veld-decoder en een conditioneel latent-diffusiemodel, getraind op OpenTO – een nieuwe corpus van 2,2 miljoen geoptimaliseerde structuren die 2 miljoen unieke randvoorwaardconfiguraties beslaan. Op vier publieke benchmarks en twee uitdagende onbekende tests verlaagt OAT de gemiddelde compliantie tot 90% ten opzichte van de beste eerdere modellen en levert het inferentie in minder dan 1 seconde op een enkele GPU voor resoluties van 64×64 tot 256×256 en aspectverhoudingen tot 10:1. Deze resultaten vestigen OAT als een algemeen, snel en resolutie-onafhankelijk framework voor fysica-bewuste topologie-optimalisatie en bieden een grootschalige dataset om verder onderzoek in generatieve modellering voor inverse ontwerpen aan te wakkeren. Code en data zijn beschikbaar op 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.