元神经拓扑优化：基于元学习的知识注入

《Engineering Applications of Artificial Intelligence》：Meta-neural topology optimization: Knowledge infusion with meta-learning

　　

当面对新颖的设计问题时，传统拓扑优化（Topology Optimization, TO）方法会丢弃所有先前的设计经验，并从均匀的初始猜测开始。虽然这避免了优化器偏向任何特定解，但也意味着需要大量计算昂贵的迭代才能收敛。现有的机器学习方法通过数据驱动设计预测来解决这一问题，但需要预优化结构的大型数据集，且通常在边界条件（Boundary Conditions）和网格分辨率（Mesh Resolutions）的泛化上存在困难。研究人员提出了一种新方法，称为元神经拓扑优化（Meta-neural Topology Optimization），该方法使用元学习（Meta-learning）算法来学习拓扑优化中具有神经场（Neural Field）参数化的有效初始设计——连续、与网格无关的表示，将材料分布编码在神经网络的权重中。通过双层优化（Bilevel Optimization），该方法从部分优化轨迹中提取可重复使用的设计知识，消除了对预优化训练数据的需求。通过将神经场条件化于参考设计的应变能场（Strain Energy Fields），单个学习参数集即可为不同边界条件编码问题特定的初始结构。研究人员在跨分布内（In-distribution）、分布外（Out-of-distribution）和跨分辨率（Cross-resolution）场景的3000个柔度最小化任务上评估了该方法。该方法在57.6%的分布内任务和74.1%的跨分辨率任务中以更少的迭代收敛，同时保持与标准密度基拓扑优化（Density-based Topology Optimization）相当的设计质量。值得注意的是，在粗网格上学习的初始化成功迁移到了四倍精细的离散化网格上。代码可在https://github.com/bessagroup/metatopia获取。

**论文解读：元神经拓扑优化——基于元学习的知识注入与加速收敛**

**研究背景与问题**

拓扑优化（Topology Optimization, TO）在工程设计中具有广泛应用，从纳米尺度光学腔到全尺寸飞机机翼，均展现出显著的结构效率提升。然而，传统拓扑优化方法采用“白板”策略，每次运行前重新初始化设计变量，丢弃所有先前的设计经验。尽管已有证据表明策略性初始猜测可加速收敛，但缺乏知识复用导致大量计算资源的浪费。现有机器学习方法，如直接设计预测或加速方法，虽然能实现快速设计合成，但均依赖预计算的最优结构数据集，训练成本高昂且泛化能力有限，尤其在面对不同边界条件（Boundary Conditions）和网格分辨率（Mesh Resolutions）时表现不佳。此外，神经拓扑优化（Neural TO）通过神经场参数化实现了连续、与网格无关的表示，但其非凸优化景观对初始参数高度敏感，不恰当的初始化可能严重阻碍收敛。因此，如何从相关设计任务分布中学习可泛化的初始参数，以加速新问题求解，成为亟待解决的关键问题。

**研究内容与结论**

研究人员提出了一种名为元神经拓扑优化（Meta-neural Topology Optimization）的新框架，将元学习（Meta-learning）引入神经拓扑优化，通过双层优化（Bilevel Optimization）从部分优化轨迹中提取可重复使用的设计知识，无需预计算的最优结构数据集。该方法利用正弦表示网络（SIREN）作为神经场参数化，并将应变能场（Strain Energy Fields）作为条件输入，使得单个学习参数集能够为不同边界条件生成问题特定的初始设计。在3000个柔度最小化任务上的评估表明，元神经拓扑优化在分布内（In-distribution）任务中57.6%的情况下以最少迭代收敛，在跨分辨率（Cross-resolution）任务中该比例达到74.1%，且设计质量与标准密度基拓扑优化（Density-based TO）相当。特别地，从粗网格（64×64）学习到的初始化成功迁移到四倍精细网格（256×256），平均迭代次数减少33.6%。该论文发表在《Engineering Applications of Artificial Intelligence》。

**关键技术方法**

研究人员采用以下关键技术方法：1) 神经场参数化（Neural Field Parameterization），使用正弦表示网络（SIREN）作为连续密度场表示，输出经密度滤波和位移sigmoid滤波以施加体积约束；2) 应变能条件化（Strain Energy Conditioning），将均匀密度参考设计的归一化应变能密度作为神经场输入，使一个网络参数集适应不同边界条件；3) 元学习算法（Meta-learning Algorithm），采用Reptile算法进行双层优化，内层进行k=10步Adam优化适应任务，外层更新共享初始化参数；4) 任务生成策略，基于伪随机采样生成3000个元训练任务，包括边界条件（点载荷与支撑）和体积分数（0.1-0.5），并构建三个测试集（分布内、分布外、跨分辨率）各1000个任务，跨分辨率任务使用256×256网格。所有实验在方形设计域上进行，材料属性为线弹性。

**研究结果**

**4.1 分布内（In-distribution）** 通过性能剖面图分析，元神经拓扑优化在57.6%的分布内任务中迭代次数最少，平均103.65次，优于标准TO（111.26次）和神经TO（149.56次）。在阈值化设计柔度方面，三种方法在5%容差内表现相当，性能比分别为83.9%、80.9%和80.4%。平均收敛曲线显示，元神经TO从较低损失值开始，并保持最低损失直至收敛。

**4.2 分布外（Out-of-distribution）** 在分布外任务（边界条件沿随机线段分布）中，元神经TO在39.3%的任务中迭代最快，平均126.57次，优于神经TO（154.67次）但比标准TO（110.89次）慢。设计质量方面，元神经TO在24.6%的任务中取得最佳阈值化设计，标准TO为47.6%，但5%容差内两者比例相近。

**4.3 跨分辨率（Cross-resolution）** 元神经TO在跨分辨率任务（256×256网格）中表现突出，以最少迭代在74.1%的任务中胜出，平均100.90次，相比神经TO（152.04次）减少33.6%，同时也优于标准TO（130.03次）。最终设计质量方面，元神经TO与标准TO在5%容差内性能比分别为87.7%和83.6%，表明迁移学习有效。

**4.4 代表性设计（Representative designs）** 选取最佳、最差和典型任务展示收敛曲线与最终设计。最佳任务中，元神经TO将柔度降低37.72%；最差任务中，初始设计导致优化陷入较差局部极小（柔度增加149.8%）。按体积分数分组显示，低体积分数（0.1-0.2）任务中变异性更高，既有最大改进也有最大退化。

**4.5 应变能作为设计先验（Strain energy as a design prior）** 分析显示，元神经TO的初始设计高度接近直接对输入应变能场进行密度滤波和体积滤波的结果。这源于柔度对密度灵敏度的物理关系（?c/?ρ_e ∝ 局部应变能密度），元学习过程自主发现了这一先验。额外实验表明，对神经场进行应变能恒等映射预训练（即f_θ(x, Π?(x)) ≈ Π?(x)）在收敛速度和设计质量上均优于元神经TO，归因于直接编码噪声更少。

**4.6 计算复杂度（Computational complexity）** 元神经TO与神经TO在测试时每迭代成本相同（64×64网格约62.49ms，256×256网格约672.90ms），标准TO的GCMMA优化器在64×64网格上更快（46.11ms），但在256×256网格上更慢（723.13ms）。元训练一次性成本为3小时35分钟（单NVIDIA A100 GPU），相当于约1500次完整优化，远低于监督式深度学习的数据集生成成本（通常需30,000至2,200,000个预优化样本）。

**讨论与结论总结**

讨论部分指出，元神经TO框架通过元学习积累并跨问题转移设计经验，区别于预训练和直接设计方法，它从部分优化中学习，易于扩展到不同优化器和参数化。跨分辨率实验验证了神经参数化独有的知识迁移能力。附录中额外数据集显示，当域纵横比改变时，迭代优势保持（63.6%任务最少迭代），但结合分布式边界条件与更细网格时优势减弱（40.9% vs 56.0%），尽管如此，元神经TO仍产出最佳阈值化设计。核心发现是应变能条件化对知识迁移至关重要，元学习过程独立发现了这一物理先验，且该先验同样能加速标准TO，表明其优化器无关性。方法局限性包括：元训练计算资源需求大，任务分布设计需谨慎，可能将优化器导向不良局部极小（如最差情况），且当测试问题与训练分布偏差大时性能下降。实际价值体现在航空航天、汽车等需反复求解相似问题族领域，以及快速原型设计和高分辨率问题中。未来方向包括元-SGD（Meta-SGD）自适应学习率、边界条件相似性度量引导任务选择、多保真度策略及扩展至塑性、断裂等更复杂物理问题。

研究结论：元神经拓扑优化是一种有效的知识注入框架，通过元学习从部分优化轨迹中提取可重用设计知识，在分布内和跨分辨率任务中显著加速收敛，同时保持设计质量，且应变能条件化被证明是关键的物理先验。该方法无需预优化数据集，为神经拓扑优化的实际应用提供了新途径。