协同神经网络在逆向设计中的应用：集成去噪自编码器与代理模型实现部分设计变量填补

本综述提出一种协同神经网络框架，通过整合去噪自编码器（DAE）与代理模型（Surrogate Model），解决了传统逆向设计中部分设计变量预定义时的数据填补难题。该框架在汽车玻璃导槽（GRC）设计中实现了高达98%的均方误差（MSE）降低和0.997-0.999的R2值，显著提升设计效率并减少对物理原型迭代测试的依赖。

　　

Highlight

协同神经网络架构通过整合两个核心组件——填补模型（Imputation Model）和代理模型（Surrogate Model），以协作方式优化设计解决方案，同时严格遵守预定义的性能标准。该框架在韩国汽车制造商的玻璃导槽（GRC）设计案例中展现出显著有效性，能够熟练填补未确定变量，并确保设计满足目标性能指标。

Related works

本节概述了数据驱动逆向设计领域的相关研究，重点介绍了多种数据驱动逆向设计方法及其当前局限性。我们深入讨论了部分数据驱动逆向设计的需求，这一概念正是为应对这些局限性而新兴出现的。通过探索使用深度学习算法进行部分数据驱动逆向设计的各种方法（这些方法近年来势头正劲），我们旨在应对这些挑战。

Proposed methodology

本节介绍了我们为解决部分数据驱动逆向设计中的挑战而设计的方法论。部分逆向设计是指这样一种场景：只有部分设计变量是未知的且需要推断，而其余变量则基于领域特定约束预先确定（如定义1所正式定义）。挑战在于准确预测剩余参数以满足期望的性能目标。

Case study: Glass run channel design

本研究考察了韩国制造企业的玻璃导槽案例，凸显了传统设计过程中固有的挑战和低效问题。它概述了为实施我们数据驱动逆向设计方法而开发的综合数据集。

Experiment setup

本节描述了用于评估我们提出的框架的实验设置。此配置确保了跨多种模型性能指标的全面评估。

Training phase: Model Convergence

在训练阶段，我们的焦点集中在两个关键组件：代理模型和填补模型。性能模型的学习曲线如图6所示，它展示了回归损失随训练轮次的收敛趋势。如图所示，训练和验证损失均稳步下降，最终接近接近于零的最小水平。这一结果表明，给定足够的计算机辅助工程（CAE）仿真结果数据集，代理模型能够准确地学习设计变量与其相应性能之间的复杂关系。