.png){kind=icon}
返回
A reward-directed diffusion framework for generative design
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.113378.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种基于微调扩散模型和奖励导向采样的生成优化框架，用于生成高性能工程设计。该框架采用设计几何的参数化表示来生成新的参数集，这些参数集对应于具有改进的气动和流体动力学性能的设计。奖励导向方法的一个关键优势在于其适用于性能指标依赖成本高昂的工程仿真或代理模型（如基于图、集成模型或基于树的模型）不可微或微分成本过高的情况。通过使用熵正则化方法，本研究在马尔可夫决策过程框架内引入了软值函数的迭代使用，以实现扩散模型中的奖励引导解码。所提出的方法通过在训练和推理阶段均集成软值引导来分配计算和内存成本，从而促进生成高奖励设计，甚至超越训练数据。实验结果表明，这种迭代奖励导向方法显著提升了扩散模型在三维船体设计中生成低阻力样本以及在翼型设计任务中增强气动性能的能力。所提出的框架生成的样本超出了训练数据分布，导致船体设计阻力降低25%以上，翼型设计的升阻比提升超过10%。这些改进超过了传统黑箱优化方法取得的成果。该模型成功融入工程设计生命周期后，可同时提升设计师生产力和整体设计性能。
