GLUE:协调预训练生成模型以实现系统级设计
《Computer-Aided Design》:GLUE: Coordinating pre-trained generative models for system-level design
【字体:
大
中
小
】
时间:2026年10月21日
来源:Computer-Aided Design 3.2
编辑推荐:
- 无数据生成模型在性能和可行性方面与传统优化器相当。
- 冻结的预训练模型无需联合再训练即可结合使用。
- 无数据学习方法比数据驱动方法节省100倍的计算资源。
- 统一的潜在空间支持多样化的飞行器设计探索。
- 等式约束被确定为关键挑战,并对三种缓解策略进行了消融实验。
- 无数据生成模型在性能和可行性方面与传统优化器相当。- 冻结的预训练模型无需联合再训练即可结合使用。- 无数据学习方法比数据驱动方法节省100倍的计算资源。- 统一的潜在空间支持多样化的飞行器设计探索。- 等式约束被确定为关键挑战,并对三种缓解策略进行了消融实验。## 引言生成模型已被应用于工程设计问题,范围涵盖建筑[1]、航空航天[2]和药物发现[3]等领域。一旦完成训练,其快速推理能力支持设计空间探索和决策制定,这是传统优化算法难以单独实现的效果[4]。许多此类模型将设计压缩为可解释的低维潜在空间($z$),这使得高维权衡空间更加易于处理。在实践中,这些生成模型几乎总是针对特定领域进行专门训练,并且通常只针对单一组件类型(例如机翼、机身或结构部件)。参数化、架构和损失函数中的领域先验知识通常能提升该狭窄任务上的性能和有效性。然而,现实工程问题(例如飞机设计)本质上涉及多组件和多领域。这要求在各子系统之间协调耦合界面、约束和目标:系统最优解很少等于各子系统独立优化结果的简单相加。当前的多组件系统方法主要依赖于针对整个系统进行端到端训练的生成模型,这强制使用单一的架构和损失公式。这使得在不同团队间分配工作或者整合第三方预训练模型变得困难。随着生成建模被应用于日益复杂的现实工程系统,我们不可避免地需要方法来组合多个预训练的专业化生成模型(见示意图1)。为了保留原始模型创建者提供的有效性、认证或边界条件,预训练的子系统模型理想情况下应保持冻结状态。因此,关键的空白在于一种能够在预训练领域感知子系统模型上运行且无需修改的协调机制。该机制应暴露一个低维系统级潜在变量 $\zeta$ 用于设计探索,最好具有可解释性,并且它应该合成满足以下三个关键标准的设计:- 可行性:在工程容差范围内满足所有耦合约束和系统级要求。- 系统级最优性:优化整个系统的性能目标。- 多样性:在可行设计空间中生成多样化设计。为解决这一协调挑战,我们做出以下贡献:1. 我们引入了GLUE模型,该模型协调跨子系统的预训练冻结生成模型,暴露出一个低维系统级潜在空间 $\zeta$。我们提出并比较了两种训练范式: - 数据驱动(DD)GLUE模型使用由传统优化算法生成的可行、高性能设计进行训练。 - 无数据(DF)GLUE模型通过从一个可微、可并行的几何层反向传播梯度来直接学习协调。 2. 我们在一个多组件无人飞行器(UAV)设计问题上对标两种范式,证明DF-GLUE: - (a) 学习约束的计算效率比DD-GLUE高出两个数量级以上。 - (b) 在最优性和可行性方面与基于梯度和贝叶斯优化的方法近乎相当,同时对局部最小值更具鲁棒性。 - (c) 实现了对多样性和最优性之间明确、用户可控的权衡。 3. 对于DF-GLUE,我们对改进(本质上难以学习的)等式约束满足的策略进行了消融实验。该方法存在三个局限性,详见第5节讨论。当前方法假设评估管线是可微的,只能达到冻结子系统潜在空间覆盖的设计范围,且等式约束的内部优化器依赖于手动指定的变量-约束依赖关系,这限制了向具有复杂或一对多耦合关系的系统扩展的能力,如附录G中所述。## 章节摘要### 相关工作我们(i)简要介绍工程领域的生成建模,包括UAV;(ii)探讨多学科设计优化(MDO)中使用的架构与多领域系统生成建模现状之间的相似性;(iii)审视针对生成模型中可行、高性能且多样化设计的训练策略。### 方法论首先,我们简要概述我们的多组件UAV测试案例及其组成的预训练子系统模型。然后,我们详细介绍了基线优化算法(I)、数据驱动(II)和无数据(III)GLUE训练范式。### 可行性当不等式约束($C_{box-pl}$ 和 $C_{bb}$)满足 $\leq 0$,并且等式约束满足其特定约束容差时,样本即为可行。这些容差为 $C_{wx} \leq 0.02 \cdot b$(翼展的2%)、$C_{di} \leq \{0.5°, 2°\}$(前/后)和 $C_{lift} \leq 0.02 \cdot L_{req}$(升力需求的2%)。可行性评估还添加了额外的数值容差为 $10^{-3}$。### 单目标最优性在本研究中,我们仅最小化 $O_{mass}$。通过将内部质量进行归一化使目标函数无量纲化,即报告的结果不直接对应### 结论在本文中,我们提出了GLUE模型。这些模型协调冻结的、预训练的子系统模型(机翼、机身、内部组件)以生成可行、高性能且多样化的系统级设计。我们在一个高维、非凸、强约束的UAV问题上展示了该方法,该问题体现了多组件工程设计的关键协调挑战。比较了两种训练范式:(i)数据驱动方法,使用最先进的生成架构(cVAE、MDD-GAN、OT-GAN,### CRediT作者贡献声明**Tim Aebersold:** 写作–审阅与编辑,写作–初稿,可视化,验证,软件,方法论,调查研究,正式分析,数据整理,概念构思。**Soheyl Massoudi:** 写作–审阅与编辑,监督指导,概念构思。**Mark D. Fuge:** 写作–审阅与编辑,监督指导,概念构思。## 利益冲突声明作者声明以下财务利益/个人关系可能被视为潜在的利益冲突:Dr. Mark Fuge担任AI+Design特刊客座编辑,未参与本文的同行评审,也无法获取其同行评审信息。本文的编辑工作完全由另一位期刊编辑负责。如果还有其他作者,他们声明没有已知的
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号