ترجمه فارسی مقاله طراحی معکوس با مدل‌های انتشار آبشاری مشروط

چکیده

Adjoint-based design optimizations are usually computationally expensive and those costs scale with resolution. To address this, researchers have proposed machine learning approaches for inverse design that can predict higher-resolution solutions from lower cost/resolution ones. Due to the recent success of diffusion models over traditional generative models, we extend the use of diffusion models for multi-resolution tasks by proposing the conditional cascaded diffusion model (cCDM). Compared to GANs, cCDM is more stable to train, and each diffusion model within the cCDM can be trained independently, thus each model’s parameters can be tuned separately to maximize the performance of the pipeline. Our study compares cCDM against a cGAN model with transfer learning. Our results demonstrate that the cCDM excels in capturing finer details, preserving volume fraction constraints, and minimizing compliance errors in multi-resolution tasks when a sufficient amount of high-resolution training data (more than 102 designs) is available. Furthermore, we explore the impact of training data size on the performance of both models. While both models show decreased performance with reduced high-resolution training data, the cCDM loses its superiority to the cGAN model with transfer learning when training data is limited (less than 102), and we show the break-even point for this transition. Also, we highlight that while the diffusion model may achieve better pixel-wise performance in both low-resolution and high-resolution scenarios, this does not necessarily guarantee that the model produces optimal compliance error or constraint satisfaction.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی های طراحی مبتنی بر مجاورت معمولاً از نظر محاسباتی گران هستند و مقیاس هزینه ها با وضوح.برای پرداختن به این موضوع ، محققان رویکردهای یادگیری ماشین را برای طراحی معکوس پیشنهاد کرده اند که می تواند راه حل های با وضوح بالاتر را از هزینه های کم هزینه/وضوح پایین پیش بینی کند.با توجه به موفقیت اخیر مدل های انتشار در مدلهای سنتی تولیدی ، ما با ارائه مدل انتشار آبشار مشروط (CCDM) استفاده از مدل های انتشار برای کارهای چند وضوح را گسترش می دهیم.در مقایسه با GANS ، CCDM برای آموزش پایدارتر است و هر مدل انتشار در CCDM می تواند به طور مستقل آموزش دیده باشد ، بنابراین پارامترهای هر مدل می توانند به طور جداگانه تنظیم شوند تا عملکرد خط لوله به حداکثر برسد.مطالعه ما CCDM را در برابر یک مدل CGAN با یادگیری انتقال مقایسه می کند.نتایج ما نشان می دهد که CCDM در ضبط جزئیات دقیق تر ، حفظ محدودیت های کسری از حجم و به حداقل رساندن خطاهای انطباق در کارهای چند وضوح هنگامی که مقدار کافی از داده های آموزش با وضوح بالا (بیش از 102 طرح) در دسترس است.علاوه بر این ، ما تأثیر اندازه داده های آموزش بر عملکرد هر دو مدل را بررسی می کنیم.در حالی که هر دو مدل با کاهش داده های آموزش با وضوح بالا ، عملکرد کاهش یافته را نشان می دهند ، CCDM با یادگیری انتقال در هنگام محدود بودن داده های آموزش ، برتری خود را نسبت به مدل CGAN از دست می دهد (کمتر از 102) ، و ما یک نقطه شکست را برای این انتقال نشان می دهیم.همچنین ، ما برجسته می کنیم که در حالی که مدل انتشار ممکن است در هر دو سناریو با وضوح پایین و با وضوح بالا به عملکرد پیکسل بهتر برسد ، این لزوماً تضمین نمی کند که مدل خطای بهینه انطباق یا رضایت محدودیت را ایجاد کند.