Оптимизация любой топологии: базовая модель для структурной топологической оптимизации, свободной от формы и разрешения

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

October 26, 2025

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

cs.AI

Аннотация

Топологическая оптимизация (ТО) является ключевым методом в инженерном проектировании, но остается вычислительно сложной из-за сложной физики и жестких ограничений. Существующие методы глубокого обучения ограничены фиксированными квадратными сетками, небольшим набором жестко заданных граничных условий и пост-оптимизацией, что препятствует их широкому применению. Мы представляем Optimize Any Topology (OAT) — фреймворк-фундаментальную модель, которая напрямую предсказывает минимально-жесткие конфигурации для произвольных соотношений сторон, разрешений, объемных долей, нагрузок и закреплений. OAT сочетает автоэнкодер, не зависящий от разрешения и формы, с декодером на основе неявных нейросетевых полей и условной латентно-диффузионной моделью, обученной на OpenTO — новом корпусе из 2.2 миллионов оптимизированных структур, охватывающих 2 миллиона уникальных конфигураций граничных условий. На четырех публичных бенчмарках и двух сложных тестах на неизвестных данных OAT снижает среднюю податливость до 90% по сравнению с лучшими предыдущими моделями и обеспечивает вывод менее чем за 1 секунду на одном GPU для разрешений от 64x64 до 256x256 и соотношений сторон до 10:1. Эти результаты устанавливают OAT как универсальный, быстрый и независимый от разрешения фреймворк для физически осознанной топологической оптимизации и предоставляют масштабный набор данных для стимулирования дальнейших исследований в области генеративного моделирования для обратного проектирования. Код и данные доступны по адресу 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.