Rank Reduction AutoEncoders for Mechanical Design: Advancing Novel and Efficient Data-Driven Topology Optimization

Resumen Técnico: Autoencodificadores de Reducción de Rango para el Diseño Mecánico

Planteamiento del Problema
La Optimización Topológica (TO, por sus siglas en inglés) es una herramienta crítica para la síntesis de estructuras de alto rendimiento, pero sigue siendo computacionalmente costosa, particularmente cuando se requieren análisis repetidos para la exploración del espacio de diseño, la cuantificación de la incertidumbre o el diseño inverso. Los flujos de trabajo tradicionales de TO implican resolver problemas de Elementos Finitos (FE) de alta dimensión repetidamente, donde las geometrías optimizadas se representan mediante campos de densidad densos. Aunque el aprendizaje automático (ML) ofrece alternativas basadas en datos, los enfoques estándar suelen sufrir de interpretabilidad limitada, una capacidad de extrapolación deficiente y dificultades para manejar problemas inversos donde múltiples geometrías pueden dar lugar a métricas de rendimiento idénticas. Además, los autoencodificadores estándar pueden introducir redundancia o sobreajuste al comprimir datos de alta dimensión de TO.

Metodología
El artículo propone un marco unificado basado en datos que combina Autoencodificadores de Reducción de Rango (RRAE) con mapeos de espacio latente para modelar la relación entre las geometrías optimizadas y sus respuestas mecánicas (Cantidades de Interés, o QoIs). La metodología se estructura de la siguiente manera:

1. Generación de Datos: Se genera un conjunto de datos utilizando el método de Material Isotrópico Sólido con Penalización (SIMP) para un problema de minimización de cumplimiento en una viga MBB media. El conjunto de datos incluye topologías optimizadas (geometrías) y las correspondientes respuestas mecánicas (distribuciones de esfuerzo de von Mises) bajo variaciones de restricciones de volumen.
2. Reducción de Dimensionalidad (RRAE): En lugar de autoencodificadores estándar, el marco emplea RRAEs. Esta arquitectura codifica datos de alta dimensión (geometrías o campos de esfuerzo) en un espacio latente, que luego es sometido a una Descomposición en Valores Singulares truncada (SVD). Este proceso retiene solo los modos más significativos (coeficientes latentes), identificando eficazmente las características geométricas y físicas dominantes mientras asegura una aproximación de bajo rango.
   • Se entrenan modelos RRAE separados para la geometría (usando un CNN-RRAE para campos de densidad 2D) y para las QoIs.
3. Mapeo del Espacio Latente: Se entrenan Perceptrones Multicapa (MLP) para mapear los coeficientes latentes de baja dimensión de la geometría ($\alpha$) a los de la solución ($\beta$) y viceversa.
   • Problema Directo ($\text{geo} \to \text{sol}$): Predicción de respuestas estructurales a partir de una geometría dada.
   • Problema Inverso ($\text{sol} \to \text{geo}$): Reconstrucción de geometrías a partir de objetivos de rendimiento prescritos.
4. Variaciones de QoI: El estudio evalúa tres tipos distintos de QoIs para determinar su impacto en la fidelidad del modelo:
   • Escalar: Esfuerzo de von Mises máximo (métrica global).
   • Campo 1D: Valores de esfuerzo de von Mises a lo largo de la diagonal del dominio (ruta de carga principal).
   • Campo 2D: Distribución completa del esfuerzo de von Mises en todo el dominio.

Contribuciones Clave
El artículo realiza tres contribuciones principales:

1. Reducción de Dimensionalidad Eficiente: Introduce los RRAE como una herramienta adaptativa para reducir la dimensionalidad de los datos de TO, aprovechando la SVD truncada para mantener la eficiencia computacional y la robustez mientras captura los modos dominantes.
2. Análisis Comparativo de QoIs: Proporciona un análisis sistemático de cómo el contenido de información de la QoI (campos escalar vs. 1D vs. 2D) afecta la precisión y la robustez de ambos modelos sustitutos, tanto directos como inversos.
3. Marco de Diseño Generativo: Demuestra un marco basado en el espacio latente que facilita la síntesis de nuevas geometrías y respuestas, permitiendo la exploración rápida de disposiciones estructurales optimizadas sin resolver problemas completos de FE.

Resultados Numéricos
El marco fue validado en un problema de referencia de viga MBB media con 100 muestras de entrenamiento y 20 muestras de prueba (variando las fracciones de volumen).

• QoI Escalar: Este caso resultó ser el más desafiante. El mapeo de la geometría a un único valor escalar es inherentemente no biyectivo. En consecuencia, el problema inverso sufrió de sobreajuste (memorización) y produjo geometrías carentes de significado físico al extrapolar. La pérdida de reconstrucción para los problemas inversos fue alta ($\approx 20\%$).
• QoI de Campo 1D: El uso del campo de esfuerzo a lo largo de la diagonal mejoró significamente el desempeño. La pérdida de reconstrucción del problema inverso descendió a $\approx 7.6\%$ (conjunto de prueba), y el modelo generó con éxito geometrías físicamente plausibles que coincidían con las curvas de esfuerzo objetivo.
• QoI de Campo 2D: Este enfoque produjo el mejor desempeño general. Al utilizar la distribución completa del esfuerzo, el marco logró predicciones de alta fidelidad.
  • Problema Directo: El coeficiente $R^2$ alcanzó $0.999$ en el conjunto de prueba.
  • Problema Inverso: La pérdida de reconstrucción para las geometrías fue del $7.80\%$ (conjunto de prueba), con las fracciones de volumen predichas coincidiendo estrechamente con la verdad de campo (ground truth).
    Los resultados indican que las QoIs más ricas proporcionan la información necesaria para resolver la naturaleza mal planteada del problema inverso, conduciendo a modelos sustitutos robustos y precisos.

Significancia y Reivindicaciones
Los autores afirman que este marco ofrece un sustituto computacionalmente eficiente para el análisis de FE en flujos de trabajo de TO. El estudio enfatiza que la riqueza de la QoI es el factor crítico para el éxito del diseño inverso; comprimir la solución de forma demasiado agresiva (por ejemplo, a un escalar) vuelve el problema inverso mal condicionado.

La metodología se presenta como una base para el Diseño Generativo (GD). Al operar en un espacio latente de bajo rango derivado de SVD, el marco permite la interpolación de nuevos puntos para sintetizar geometrías y respuestas novedosas que permanecen físicamente plausibles. Los autores posicionan a los RRAE como una herramienta unificadora para el modelado de orden reducido, el diseño inverso y la exploración basada en datos, señalando que el trabajo futuro se centrará en extender esto a espacios de diseño multiparámetro e incorporar restricciones informadas por la física.