PGD-TO: A Scalable Alternative to MMA Using Projected Gradient Descent for Multi-Constraint Topology Optimization

Resumo Técnico: PGD-TO

Definição do Problema
A Otimização de Topologia (TO) visa distribuir material de forma otimizada dentro de um domínio de design para maximizar o desempenho sob restrições físicas e geométricas. Embora métodos baseados em gradiente como o Método das Assíntotas Móveis (MMA) e o Critério de Otimalidade (OC) sejam amplamente utilizados, eles enfrentam limitações. O OC não se generaliza bem para múltiplas restrições, e o MMA envolve inúmeros hiperparâmetros e altos custos computacionais por iteração devido à complexidade de seus subproblemas. O Gradiente Projetado (PGD) oferece uma alternativa mais simples e escalável, mas historicamente teve dificuldades com problemas de múltiplas restrições e não lineares. O principal gargalo do PGD para TO é a etapa de projeção: resolver a projeção euclidiana sobre um conjunto viável definido por múltiplas restrições normalmente requer a detecção custosa de conjuntos ativos ou a resolução de Programas Quadráticos (QP) complexos, o que pode levar à instabilidade, má convergência ou inviabilidade quando as restrições são não lineares ou conflitantes.

Metodologia
O artigo apresenta o PGD-TO, um framework que reformula a etapa de projeção para eliminar a necessidade de detecção explícita de conjuntos ativos. A metodologia central envolve:

1. Formulação de Projeção Regularizada: Em vez de resolver o problema de projeção original (que pode ser não convexo ou inviável), os autores formulam um QP regularizado, estritamente convexo e sempre viável. Isso é alcançado introduzindo variáveis de folga e um grande parâio de penalidade $C$. Esta regularização garante que o problema seja bem posto mesmo quando o conjunto viável original é vazio.
2. Estratégias de Solver:
   • Caso Geral de Múltiplas Restrições: Os autores empregam um método de Newton semissmooth para resolver o problema de projeção regularizado. Ao analisar as condições de Karush-Kuhn-Tucker (KKT), eles demonstram que o Jacobiano do sistema resultante é Simétrico Positivo Definido (SPD), garantindo convergência local superlinear. Esta abordagem evita a busca iterativa de conjuntos ativos exigida pelos métodos tradicionais.
   • Restrições Únicas ou Independentes: Para problemas com uma única restrição ou múltiplas restrições independentes (por exemplo, designs de múltiplos materiais com limites de volume separados), o framework utiliza um algoritmo de busca binária. Isso aproveita a monotonicidade das funções de restrição em relação às variáveis duais, oferecendo economias computacionais significativas (complexidade $O(\log N)$) em comparação com as iterações de Newton.
3. Melhorias Algorítmicas:
   • Direções de Busca: O framework integra direções de gradiente conjugado não linear de Polak–Ribièr para acelerar a convergência além do gradiente descendente padrão.
   • Adaptação do Tamanho do Passo: Uma estratégia de adaptação de passo espectral é utilizada, combinando estimativas de constante de Lipschitz local com atualizações do tipo Barzilai-Borwein. Adicionalmente, um mecanismo de relaxação heurística é incluado para reduzir automaticamente os tamanhos de passo caso as violações de restrição se tornem excessivas, garantindo estabilidade em iterações iniciais ou regimes não lineares difíceis.

Principais Contribuições

• Projeção Livre de Conjunto Ativo: A principal contribuição é um mecanismo de projeção que resolve o subproblema como um QP estritamente convexo com variáveis de folga, removendo a necessidade de identificação de conjunto ativo. Isso garante uma solução única e lida graciosamente com restrições inviáveis.
• Solvers Unificados: O framework fornece uma abordagem unificada usando um solver Newton semissmooth para casos gerais e uma busca binária para restrições independentes/únicas, alcançando convergência superlinear e acelerações substanciais.
• Fundamentação Teórica: O artigo fornece uma análise de convergência mostrando uma taxa de $O(1/\sqrt{K})$ para o esquema PGD proposto sob suposições de suavidade $L$, semelhante à teoria PGD padrão, mas adaptada para restrições linearizadas.
• Escalabilidade: O método foi projetado para escalar eficientemente com o número de variáveis de design ($N$) e restrições ($m$), particularmente quando $m \ll N$.

Resultados
Os autores avaliaram o PGD-TO em quatro famílias de benchmarks:

1. Conformidade mínima com uma restrição de volume linear.
2. Volume mínimo sob uma restrição de conformidade não linear.
3. Conformidade mínima de múltiplos materiais com quatro restrições de volume independentes.
4. Conformidade mínima com restrições acopladas de volume e centro de massa (não lineares).

Comparações foram feitas contra MMA e OC através de várias resoluções de malha (até $512 \times 256$ elementos).

• Convergência: O PGD-TO alcançou taxas de convergência e valores de objetivo finais comparáveis ao MMA e OC em todos os cenários lineares, não lineares, de restrição única e de múltiplas restrições.
• Eficiência Computacional: O PGD-TO demonstrou acelerações significativas. Em problemas gerais de múltiplas restrições, ele reduziu o tempo de computação por iteração em 10–43× em comparação ao MMA. Quando as restrições eram independentes, a aceleração atingiu 115–312×.
• Robustez: O método permaneceu estável mesmo em regimes altamente não lineares (por exemplo, testes de estresse com restrições elásticas e térmicas acopladas), mantendo baixas violações de restrição através de sua relaxação de passo heurística.

Significância
O artigo afirma que o PGD-TO estabelece uma alternativa rápida, robusta e escalável ao MMA para otimização de topologia. Ao remover o gargalo computacional da detecção de conjunto ativo e garantir a boa definição através da regularização, o método avança a TO em direção a problemas de design de grande escala, múltiplas restrições e não lineares. Os autores sugerem que esta eficiência poderia permitir a geração dos grandes conjuntos de dados necessários para abordagens de aprendizado profundo em design estrutural. O trabalho é apresentado como uma ferramenta de propósito geral para otimização restrita de alta dimensão, com o código e os benchmarks disponibilizados publicamente para facilitar novas pesquisas.