Otimização de Qualquer Topologia: Um Modelo de Base para Otimização Topológica Estrutural Livre de Forma e Resolução

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

October 26, 2025

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

cs.AI

Resumo

A otimização topológica (OT) é fundamental para o projeto de engenharia, mas permanece computacionalmente intensiva devido à física complexa e a restrições rígidas. Os métodos existentes de aprendizagem profunda estão limitados a malhas quadradas fixas, algumas condições de contorno codificadas manualmente e otimização a posteriori, impedindo uma implantação generalizada. Apresentamos o Optimize Any Topology (OAT), uma arquitetura de modelo de base que prevê diretamente layouts de compliância mínima para relações de aspecto, resoluções, frações de volume, cargas e fixações arbitrárias. O OAT combina um autoencoder agnóstico à resolução e à forma com um decodificador de campo neural implícito e um modelo de difusão latente condicional treinado no OpenTO, um novo corpus de 2,2 milhões de estruturas otimizadas abrangendo 2 milhões de configurações únicas de condições de contorno. Em quatro benchmarks públicos e dois testes desafiadores não vistos, o OAT reduz a compliância média em até 90% em relação aos melhores modelos anteriores e fornece inferência em menos de 1 segundo em uma única GPU, para resoluções de 64 x 64 a 256 x 256 e relações de aspecto de até 10:1. Esses resultados estabelecem o OAT como uma arquitetura geral, rápida e livre de resolução para otimização topológica com consciência física e fornecem um conjunto de dados em larga escala para estimular mais pesquisas em modelagem generativa para projeto inverso. Código e dados podem ser encontrados em 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.