Feb, 2024

NITO: 基于神经网络的无分辨率拓扑优化的隐式场

PDF
TL;DR拓扑优化是工程设计中的重要任务，我们引入了深度学习的新方法 —— 神经隐式拓扑优化（NITO），该框架可以加速拓扑优化问题。NITO 具有分辨率自由和领域不可知的解决方案，在十分之一的时间内比最新的扩散模型具有最多七倍的结构效率，并且引入了一种新的边界点无序多层感知器（BPOM）方法来表示边界条件，这种通用性使得单个 NITO 模型能够训练和生成无数领域的解决方案。NITO 在特定任务中甚至优于最新的模型，且体积是其一个数量级更小，可以实现高分辨率的实际训练，为工程设计优化问题通过隐式场的方式带来巨大的潜力。
topology optimizationneural implicit topology optimizationdeep learningboundary conditionsconvolutional neural network
发现论文，激发创造
  • 基于卷积神经网络的拓扑优化（CNN-TO）：从材料分布的敏感性估计成本

    本研究提出了一种新的拓扑优化方法，该方法应用了卷积神经网络（CNN）解决了一个常见类型的最大刚度拓扑优化问题，并通过分析密度分布中的刚度信息来优化结构设计。

    Dec, 2019

  • 物理知识神经网络拓扑优化：应用于隐形几何物体的非侵入式探测

    应用基于物理学的神经网络技术（PINNs）开发出一种具有先进拓扑结构的拓扑优化框架，实现了在医学和工业应用中使用非侵入式成像技术检测出隐藏的几何结构。

    Mar, 2023

  • 多尺度拓扑优化使用神经网络

    使用神经网络进行直接多尺度拓扑优化的新方法，通过反向均质化来优化每个细胞以实现良好的连接性，持续改善相邻微结构细胞之间的兼容性，实现 n 维多尺度优化问题的 2n 维反向均质化问题。

    Apr, 2024

  • 通过专家混合训练构建神经隐式字典

    该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

    Jul, 2022

  • DITTO：隐式三维重建的双重与集成潜空间拓扑

    我们提出了一种新颖的双重和集成的潜在拓扑结构 (DITTO)，用于从嘈杂和稀疏的点云中进行隐式三维重建，通过同时利用点和网格潜在结构 (即，双重潜在) 来增强其优势，即网格潜在结构的稳定性和点潜在结构的详细描述能力。具体地说，DITTO 包括双重潜在编码器和集成的隐式解码器，在双重潜在编码器中，双重潜在层是构成编码器的关键模块，同时并行地优化两个潜在结构，保持它们的不同形状并实现递归交互。值得注意的是，双重潜在层内的新颖稀疏点变换器有效地优化点潜在结构。然后，集成的隐式解码器系统地组合这些优化后的潜在结构，实现高保真的三维重建，并在物体和场景级别的数据集上超过了先前的最先进方法，特别是在细且详细的结构上。

    Mar, 2024

  • 拓扑神经网络：通过高阶交互缓解图神经网络的瓶颈问题

    图神经网络在图结构化数据的表示学习任务中具有捕捉局部和全局模式的能力，但是长程和高阶依赖性带来了挑战。为了解决此问题，该论文提出了拓扑神经网络，并引入了基于拓扑结构的消息传递机制和多元关系归纳偏置，以更好地捕捉依赖关系和设计各向异性聚合方法。此外，还介绍了增强型细胞同构网络，通过增加拓扑消息传递机制，使环形结构中的节点组之间能够直接进行交互。

    Feb, 2024

  • DiNTS：可微分神经网络拓扑搜索用于 3D 医学图像分割

    本文提出了一种基于可微搜索框架的不同 iable 网络拓扑搜索方案，以支持快速梯度搜索，同时遵循高度灵活的多路径网络拓扑结构，高度减少了搜索的 GPU 内存使用，此模型在医学分割竞赛中成为了最具有竞争力的方法。

    Mar, 2021

  • 最小神经图谱：用最小化的图表和失真参数化复杂表面

    本研究提出了一种最小神经图形集合，用于表达任意拓扑的表面，同时保证了重构准确度和模型效率，并在计算机视觉、图形学和机器人等领域有广泛应用。

    Jul, 2022

  • 训练高效的卷积神经网络：优化神经网络的基本组成部分，创造更轻、更快、更强韧的模型

    本研究旨在回顾各种最先进技术，探讨如何通过序列减少训练参数和使用像全局均值池化、深度卷积和挤压、模糊化池等技术进行分阶段训练来构建高效的深度卷积网络，并成功实现了在 MNIST 数据集上仅使用 1500 个参数达到 99.2% 的高准确度，并在 CIFAR-10 数据集上仅使用超过 140K 个参数达到了 86.01% 的高准确度。

    May, 2022

  • 基于几何信息的大规模三维偏微分方程神经算子

    我们提出了几何信息神经算子（GINO），一种高效的方法，用于学习具有不同几何形态的大规模偏微分方程的解算器。该算子基于图和傅里叶结构，使用输入形状的有符号距离函数和点云表示来学习解算器。用于验证 GINO 方法在大规模模拟上的性能，我们生成了 3D 车辆几何形态的工业标准空气动力学数据集，雷诺数高达五百万。在这个大规模 3D 流体模拟中，传统数值方法计算表面压力的成本很高。我们成功地训练 GINO 仅使用五百个数据点来预测车身表面的压力。在成本 - 准确性实验中，与优化后的基于 GPU 的计算流体动力学（CFD）模拟器相比，GINO 的计算阻力系数速度提高了 26000 倍。在测试新的几何形态和边界条件（入口速度）组合时，GINO 相对于深度神经网络方法的误差率降低了四分之一。

    Sep, 2023