[Paper] 生成式参数化设计 (GPD)：实时几何生成与即时多参数近似框架

Source: arXiv - 2512.11748v1

概览

本文提出了 生成式参数化设计 (Generative Parametric Design, GPD)，这是一种将几何生成与其底层多参数仿真解耦实时耦合的新框架。通过将深度学习自编码器与降阶模型相结合，GPD 使工程师能够瞬间探索“如果…会怎样”的设计变体，并即时获取基于物理的精准预测——这一能力有望重塑数字孪生工作流和快速原型制造。

主要贡献

• 双重秩降自编码器 (Dual Rank‑Reduction Autoencoders, RRAEs)： 第一个编码器学习复杂几何的紧凑潜在表示，第二个编码器压缩对应的稀疏广义分解 (sPGD) 解场。
• 潜在空间回归桥接 (Latent‑Space Regression Bridge)： 轻量回归模型将几何潜在向量映射到解的潜在向量，实现从新设计到其物理响应的瞬时转换。
• 实时多参数近似 (Real‑Time Multiparametric Approximation)： 该系统能够在多参数空间的任意点提供降阶基预测，无需重新运行昂贵的高保真仿真。
• 两相微结构示例 (Demonstration on Two‑Phase Microstructures)： 展示 GPD 能处理两个材料参数（如刚度对比、体积分数）的变化，同时保持微结构的真实性。
• 支持混合/数字孪生场景 (Enabling Hybrid/Digital Twin Scenarios)： 为控制回路、设计优化和交互式可视化工具中的即时模型更新提供路径。

方法论

1. 数据生成： 对一组基准几何和材料参数网格进行高分辨率有限元（或类似）仿真，生成 sPGD 模式场库。
2. 几何自编码器 (RRAE‑G)： 采用带秩降瓶颈的卷积自编码器，将每个几何压缩为低维潜在向量。
3. 解自编码器 (RRAE‑S)： 第二个自编码器将稀疏 sPGD 模式系数（降阶基）压缩为另一个潜在向量。
4. 潜在映射： 回归模型（如高斯过程或浅层神经网络）学习函数关系 z_G → z_S，其中 z 表示潜在向量。
5. 生成与检索： 为提出新设计，几何解码器接受采样的潜在 z_G（或用户指定的形状），回归模型预测 z_S，解码器即时重构对应的 sPGD 场。
6. 验证： 将重构场与全阶仿真结果比较，以评估精度和加速比。

结果与发现

• 速度： 训练完成后，GPD 能在 毫秒 级别生成完整的多参数解，而传统高保真求解器需耗时数分钟至数小时。
• 精度： 关键响应指标（如有效刚度、应力分布）的相对误差在整个测试参数空间内保持在 2–3 % 以下。
• 泛化能力： 潜在空间回归能够成功插值未见过的几何‑参数组合，显示出对样本外设计的鲁棒性。
• 可扩展性： 增加材料参数仅会适度提升潜在维度，暗示该方法可推广至更高维的设计空间。

实际意义

• 交互式设计探索： CAD 或拓扑优化工具可嵌入 GPD，让设计师实时调微结构并立即看到性能预测，加速创意迭代。
• 实时数字孪生： 在制造或航空领域，传感器数据可更新几何潜在向量，GPD 随即刷新物理模型，实现预测性维护或自适应控制。
• 优化循环： 基于梯度或进化的优化器可在不受计算瓶颈限制的情况下查询降阶模型数百万次，从而更全面地覆盖设计空间。
• 资源节约： 将大部分重计算工作转移到离线训练阶段，企业可降低云计算成本并减少仿真驱动工程的碳足迹。
• 跨领域可移植性： 双自编码器概念对底层物理无特定依赖，可同样用于流体力学、电磁学或热传导等问题，获得类似收益。

局限性与未来工作

• 训练数据依赖： GPD 的质量取决于初始高保真仿真数据集的多样性和覆盖度；稀疏采样可能限制外推能力。
• 潜在映射简易性： 当前回归模型相对简单；更复杂、可能融合物理信息的映射有望提升对高度非线性行为的精度。
• 向 3‑D 与更多参数的扩展： 虽然本文展示了二维微结构和两个材料参数，推广到完整三维几何和更大参数集仍需精心设计潜在空间并使用更大规模的训练语料。
• 与现有 CAD 流程的集成： 未来工作应关注为主流设计工具提供无缝 API 与插件，降低行业采纳门槛。

结论： 生成式参数化设计为将沉重的仿真管线转化为轻量、实时的引擎提供了有力蓝图，开启了更智能、更快速、更交互的工程工作流的大门。

作者

• Mohammed El Fallaki Idrissi
• Jad Mounayer
• Sebastian Rodriguez
• Fodil Meraghni
• Francisco Chinesta

论文信息

• arXiv ID: 2512.11748v1
• 分类: cs.CE, cs.AI
• 发布日期: 2025年12月12日
• PDF: Download PDF