Scalable DDPM-Polycube: An Extended Diffusion-Based Method for Hexahedral Mesh and Volumetric Spline Construction

Este artículo presenta Scalable DDPM-Polycube, un método basado en difusión escalable que mejora la generación de polycubos para mallas hexaédricas y splines volumétricos mediante la expansión del conjunto de primitivas geométricas, la configuración de la cuadrícula y estrategias de generación de contexto, facilitando así aplicaciones de análisis isogeométrico en geometrías complejas.

Lo esencial

¡Claro que sí! Imagina que este papel es como una receta de cocina muy avanzada, pero en lugar de hacer un pastel, el objetivo es convertir una escultura digital compleja (como un coche, un motor o una pieza de un robot) en una caja de Lego perfecta para que los ingenieros puedan simular cómo funcionará en la vida real.

Aquí tienes la explicación de "Scalable DDPM-Polycube" en español, usando analogías sencillas:

1. El Problema: La "Masa" vs. La "Caja de Lego"

Imagina que tienes una estatua de arcilla muy detallada (el modelo 3D de un ingeniero). Para analizarla con una computadora (para ver si se romperá con el viento o el calor), necesitas convertirla en una estructura interna de bloques pequeños, como una caja de Lego llena de cubos perfectos.

• El problema anterior: Los métodos antiguos eran como intentar meter una estatua de barro en una caja de Lego muy pequeña y rígida. A veces, la estatua no encajaba, los cubos se deformaban horriblemente o la computadora se quedaba pensando demasiado tiempo intentando encontrar la combinación correcta. Además, si la estatua tenía un agujero ciego (un hoyo que no atraviesa la pieza), los antiguos métodos se confundían y no sabían qué bloque poner.

2. La Solución: Un "Chef" con Inteligencia Artificial

Los autores crearon un nuevo "chef" llamado SDDPM. Este chef no solo sigue una receta fija, sino que aprende a moldear la arcilla digital usando una técnica llamada Difusión (imagina que es como limpiar una foto borrosa poco a poco hasta que sale nítida).

Aquí están sus tres trucos principales:

Truco 1: La Caja de Herramientas Expandida (Los Bloques Nuevos)

Antes, el chef solo tenía dos tipos de bloques: un cubo normal y un cubo con un agujero que atraviesa todo (como un donut).

• La novedad: Ahora han añadido un tercer bloque: el cubo con un agujero ciego (como un hoyo en una pared que no llega al otro lado).
• La analogía: Imagina que antes intentabas representar un teléfono móvil con un agujero para el dedo (agujero ciego) usando solo bloques de donut. ¡No tenía sentido! Ahora, el chef tiene el bloque exacto para ese agujero, lo que hace que el resultado sea mucho más fiel a la realidad.

Truco 2: La Caja de Lego Más Grande (La Rejilla 3D)

Antes, el chef solo podía trabajar en una fila de dos bloques (como una línea recta). Si la pieza era compleja, tenía que estirar los bloques hasta que se deformaban.

• La novedad: Ahora usan una caja de Lego tridimensional (3x2x2, o sea, 12 espacios).
• La analogía: Es como pasar de intentar construir una casa en una tira de papel estrecha a tener una habitación completa. Ahora pueden acomodar piezas complejas sin tener que estirar o aplastar los bloques, manteniendo la forma perfecta.

Truco 3: El "Guía de Viaje" Inteligente (Generación de Contexto)

Este es el truco más inteligente. Cuando el chef intenta adivinar cómo armar la caja de Lego, tiene millones de combinaciones posibles. Probarlas todas una por una tardaría años.

• La solución: El chef usa un mapa de género (una guía topológica).
  • Si la pieza tiene 3 agujeros que atraviesan, el chef sabe que necesita 3 bloques "donut".
  • Modo Automático: El chef divide la pieza en pedacitos pequeños, mira cuántos agujeros tiene cada pedazo, y arma el mapa global paso a paso. Es como armar un rompecabezas mirando solo una pieza a la vez en lugar de intentar ver la imagen completa de golpe.
  • Modo Manual: Si un humano le dice "pon un bloque aquí", el chef lo escucha, pero primero verifica que tenga sentido (que no rompa la física de la pieza).

3. El "Inspector de Calidad" (Verificación Jerárquica)

Antes de aceptar el resultado, el chef tiene un inspector muy estricto que hace dos cosas:

1. El Contador Rápido (GOCC): Mira rápidamente si hay bloques donde deberían haberlos y si están vacíos donde deberían estarlo. Si no cuadra, ¡descarta esa idea al instante!
2. El Comparador de Formas (TCV): Si pasa el primer filtro, compara la forma exacta de cada bloque con la plantilla ideal. Si el bloque se parece demasiado a un "donut" pero el chef dijo que era un "cubo", lo rechaza.

4. El Resultado Final

Gracias a estos trucos, el sistema puede:

• Convertir modelos CAD complejos en redes de cubos perfectos (mallas hexaédricas).
• Crear "splines volumétricos" (que son como las curvas matemáticas suaves que usan los ingenieros para calcular fuerzas y calor).
• Hacer todo esto de forma automática, sin que un humano tenga que corregir errores a mano.

En resumen

Imagina que antes tenías que convertir una estatua en bloques de Lego usando un martillo y un cincel (lento y propenso a errores). Ahora, con SDDPM, tienes un robot chef que:

1. Tiene una caja de herramientas más completa (agujeros ciegos incluidos).
2. Trabaja en una mesa más grande (rejilla 3D).
3. Usa un mapa inteligente para no perderse entre millones de combinaciones.
4. Tiene un inspector que asegura que cada bloque esté en su sitio perfecto.

El resultado es una pieza digital lista para ser probada en simulaciones de ingeniería, lista para ser usada en software como ANSYS, todo generado automáticamente y con mucha más precisión.

Resumen técnico

Resumen Técnico: Scalable DDPM-Polycube

1. Planteamiento del Problema

La generación de mallas de elementos hexaédricos (all-hex) y la construcción de splines volumétricos adecuados para el análisis isogeométrico (IGA) a partir de modelos CAD complejos (representados como B-Rep) siguen siendo desafíos significativos. Los métodos tradicionales, como la teselación de Voronoi centróide (CVT), a menudo requieren correcciones manuales o heurísticas para garantizar que la segmentación de la superficie corresponda a una estructura de polycubo válida y consistente topológicamente.

Las soluciones basadas en aprendizaje automático anteriores han intentado automatizar este proceso, pero presentan limitaciones críticas:

• DL-Polycube: Depende de un mapeo de plantillas, lo que limita su generalización a topologías no vistas en el conjunto de entrenamiento y requiere bibliotecas de plantillas costosas de enumerar.
• DDPM-Polycube (anterior): Utiliza un proceso de difusión para aprender deformaciones, pero estaba restringido a un conjunto primitivo pequeño (solo cubos y cubos con agujeros pasantes) y una configuración de cuadrícula unidimensional ($G_{2\times1}$). Esto limitaba su capacidad para representar características locales complejas (como agujeros ciegos) y causaba distorsiones en geometrías complejas. Además, la generación de contexto durante la inferencia no escalaba bien al aumentar el conjunto de primitivas y el tamaño de la cuadrícula, ya que el costo computacional de explorar candidatos crecía exponencialmente.

2. Metodología Propuesta: Scalable DDPM-Polycube (SDDPM)

El artículo presenta SDDPM, una extensión del método basado en Modelos de Difusión Probabilística de Eliminación de Ruido (DDPM) diseñada para superar las limitaciones de escalabilidad y representatividad. El pipeline convierte una malla triangular de entrada en una estructura de polycubo topológicamente consistente, que luego se utiliza para generar mallas de control hexaédricas y splines volumétricos.

Componentes Clave:

A. Expansión del Conjunto de Primitivas

Se introduce una nueva primitiva geométrica: el Cubo con Agujero Ciego (Blind-Hole Cube, BHC).

• Primitivas: El conjunto se expande de 2 a 3 geometrías base: Cubo (género 0), Cubo con Agujero Pasante (THC, género 1) y Cubo con Agujero Ciego (BHC, género 0).
• Variantes de Orientación: Se incluyen variantes orientadas a los ejes (Z, X, Y y sus direcciones opuestas) para el THC y el BHC, resultando en un conjunto de 10 categorías primitivas.
• Beneficio: Esto permite representar características locales de tipo "agujero" que no alteran el género global de la geometría, resolviendo la ambigüedad que existía al intentar modelar agujeros ciegos solo con cubos y agujeros pasantes.

B. Configuración de Cuadrícula Tridimensional

Se abandona la configuración unidimensional $G_{2\times1}$ anterior en favor de una configuración de cuadrícula 3D $G_{3\times2\times2}$ con 12 celdas.

• Esto aumenta significativamente la capacidad representativa, permitiendo ensamblajes más ricos y reduciendo la distorsión de mapeo al forzar geometrías complejas en un espacio paramétrico.
• El contexto se codifica como un vector one-hot de 132 dimensiones (12 celdas $\times$ 11 estados posibles por celda).

C. Generación de Contexto Guiada por Género y Verificación Jerárquica

Para abordar el costo computacional de la inferencia en espacios de candidatos grandes, se propone una estrategia escalable:

1. Modos de Inferencia:
   • Guiado por Usuario: El usuario proporciona restricciones parciales (conteo de primitivas, distribución espacial) o vectores de contexto completos.
   • Automatizado: El sistema divide la geometría en subregiones volumétricas temporales, calcula el género de cada subregión y realiza inferencia local restringida por género.
2. Verificación Jerárquica: Se implementa un módulo de dos etapas para validar candidatos antes de aceptar un polycubo:
   • GOCC (Grid Occupancy Consistency Check): Un filtro rápido que verifica la consistencia de la ocupación de celdas y la extensión geométrica gruesa. Rechaza candidatos donde la distribución de puntos no coincide con las etiquetas de contexto.
   • TCV (Template Competition Verification): Una verificación más fina que utiliza una distancia Chamfer con penalización (PCD) para asegurar que la geometría generada en cada celda coincida con la categoría primitiva y la orientación especificadas en el contexto.

D. Arquitectura del Modelo

El modelo utiliza una red U-Net condicionada por contexto.

• Entrada: Una nube de puntos de la geometría de entrada (normalizada y reorganizada en un tensor de imagen $64 \times 96 \times 3$) y el vector de contexto de 132 dimensiones.
• Proceso: El modelo aprende a eliminar deformaciones estocásticas acumuladas de la geometría de entrada para recuperar la estructura de polycubo objetivo a través de un proceso de difusión inversa.

3. Contribuciones Principales

1. Nueva Primitiva (BHC): La introducción del Cubo con Agujero Ciego permite una representación más precisa de características locales sin cambiar el género global, mejorando la consistencia geométrica y topológica.
2. Escalabilidad de Cuadrícula 3D: La transición a una cuadrícula $G_{3\times2\times2}$ permite manejar geometrías más complejas con menor distorsión de mapeo en comparación con las configuraciones 1D anteriores.
3. Estrategia de Inferencia Escalable: El desarrollo de un algoritmo de generación de contexto guiado por género, combinado con verificación jerárquica (GOCC y TCV), permite una inferencia automatizada robusta sin necesidad de recorrer exhaustivamente el espacio de candidatos global, reduciendo drásticamente el costo computacional.

4. Resultados y Evaluación

Los experimentos se realizaron en una estación de trabajo con GPU NVIDIA L20, evaluando modelos de género 0, 1 y superior.

• Calidad de Generación: SDDPM genera estructuras de polycubo consistentes con la topología de entrada para geometrías de diversos géneros. Los resultados muestran que el método puede manejar tanto agujeros ciegos como pasantes de manera unificada.
• Estudios de Ablación: La comparación entre usar la primitiva BHC y forzar el uso de un Cubo estándar en características de agujeros ciegos mostró una reducción drástica en la distancia Chamfer promedio (de 0.2785 a 0.0292) y en la desviación máxima, demostrando la importancia crítica de la nueva primitiva.
• Análisis de Escalabilidad: Aunque el número de candidatos crece con la complejidad estructural, la estrategia de verificación jerárquica reduce eficazmente el espacio de búsqueda. Por ejemplo, en casos complejos, la tasa de candidatos verificados disminuye, pero el sistema identifica soluciones válidas sin un recorrido exhaustivo.
• Generación de Malla y IGA: Los polycubos generados se utilizan exitosamente para crear mallas de control hexaédricas de alta calidad (medidas por el Jacobiano escalado) y splines volumétricos (TH-splines) aptos para análisis en ANSYS-DYNA. Los histogramas de calidad de malla indican que la mayoría de los elementos tienen alta calidad, evitando distorsiones severas.

5. Significado e Impacto

El trabajo SDDPM representa un avance significativo en la automatización del flujo de trabajo CAD-to-IGA.

• Superación de Limitaciones: Resuelve el problema de la generalización de métodos basados en plantillas y la escalabilidad de métodos de difusión anteriores.
• Robustez: La combinación de inferencia guiada por género y verificación jerárquica ofrece un equilibrio entre automatización total y control del usuario, garantizando resultados topológicamente válidos.
• Aplicabilidad Industrial: Al permitir la generación automática de mallas hexaédricas de alta calidad y splines para análisis en geometrías complejas y de alto género, SDDPM acerca la viabilidad de la IGA en aplicaciones industriales reales, reduciendo la dependencia de la intervención manual y la corrección de mallas.

En resumen, SDDPM establece un nuevo estándar para la generación de polycubos basada en aprendizaje profundo, ofreciendo una solución escalable, robusta y automatizada para la preparación de modelos para análisis isogeométrico.