May, 2024
通过对机构合成的对比学习，学习设计和性能空间的联合表示
LInK: Learning Joint Representations of Design and Performance Spaces
through Contrastive Learning for Mechanism Synthesis
TL;DR该论文引入了LInK，这是一个将性能和设计空间的对比学习与工程设计中的复杂反问题的优化技术相结合的新型框架，针对平面连杆机构的路径合成问题，通过多模态和变换不变性对比学习框架的应用，LInK学习到了一种捕捉机构复杂物理学和设计表征的联合表示，可以从超过1000万个机构的庞大数据集中快速检索，该方法通过基于层次的无约束非线性优化算法的热启动，将传统优化的鲁棒性与现代深度学习方法的速度和适应性相结合，实验结果表明，与最先进的方法相比，LInK在现有基准测试上的误差减少了28倍，而计算时间减少了20倍，此外，该论文还提出了一个更具挑战性的基准测试LINK-ABC，该测试涉及综合链接以追踪英文大写字母的轨迹 - 由于非线性关联和微小的可行空间，现有方法在此任务上面临困难，通过研究结果表明，LInK不仅推动了机构设计领域的发展，而且拓宽了对比学习和优化在其他工程领域的适用性。