КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер 22-71-00094

НазваниеАлгоритмы генеративного дизайна физических объектов, взаимодействующих со сплошной средой

РуководительНикитин Николай Олегович, Кандидат технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО", г Санкт-Петербург

Период выполнения при поддержке РНФ

07.2022 - 06.2024

Конкурс№70 - Конкурс 2022 года «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными.

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах, 01-201 - Искусственный интеллект и принятие решений

Ключевые словагенеративный дизайн, эволюционные алгоритмы, численное моделирование, суррогатные модели, глубокое обучение, топологическая оптимизация

Код ГРНТИ28.17.19

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Потребность в автоматизации различных аспектов проектирования сооружений и конструкций порождает неослабевающий интерес к методам топологической оптимизации и генеративного дизайна и их применению в множестве предметных областей. Во многих задачах необходимо учитывать взаимодействие объекта с физическим окружением, в котором он находится (как правило, описываемом как сплошная среда). Поэтому оценка пригодности проекта должна проводиться с учетом его взаимодействия с внешней средой, обладающей заданными характеристиками (в том числе экстремальными). Для решения таких задач используется генеративный дизайн - подход, в рамках которого создается система усиленного интеллекта для специалиста (конструктора/дизайнера), и который позволяет создавать целую популяцию корректных вариантов решения, не обязательно имеющих аналоги среди предложенных экспертами ранее. Перспективность данного направления состоит в том, что применение таких методов позволяет как снизить затраты времени специалистов, так и повысить эффективность создания и эксплуатация создаваемых объектов. Существующие методы автоматизированной идентификации структуры физических объектов имеют ряд ограничений: (1) приспособленность только к конкретной предметной задаче, моделируемому физическому процессу или формату представления структуры объекта; (2) преимущественное использование методов топологической оптимизации, направленной на улучшение существующих решений, а не создание новых; (3) отсутствие возможностей решения нескольких взаимосвязанных подзадач идентификации объектов в рамках единой среды моделирования. Таким образом, решение задачи идентификации структуры физического объекта, взаимодействующего со сплошной средой, с помощью существующих методов требуют значительных затрат времени экспертов в компьютерном моделировании для адаптации алгоритмов к каждой новой задаче. Основным направлением данного проекта является создание семейства алгоритмов генеративного дизайна геометрических представлений объектов, взаимодействующих со сплошной средой на основе технологий глубокого обучения, эволюционные методы оптимизации и методы численного моделирования сплошных сред. Разработанные алгоритмы смогут решать задачи автоматизированного поиска наборов эффективных решений для различных предметных задач, сводящихся к поиску геометрической структуры физического объекта, взаимодействующего с какой-либо сплошной средой (гидродинамикой, акустикой, аэродинамической и т. п.). Планируется использовать методы глубокого обучения как для реализации суррогатной модели целевой функции, так и для порождения новых вариантов решений с помощью генеративных моделей. Научная новизна поставленной задачи обеспечивается за счёт объединения подходов эволюционной оптимизации с методами глубокого обучения. Использование интеллектуальных методов оптимизации позволяет создать метод идентификации структуры физических объектов с минимальным привлечением эксперта в предметной области. Создание подобного подхода позволит повысить автоматизацию работы проектировщиков и конструкторов, снизив затраты времени экспертов на рутинный перебор возможных вариантов, а также увеличив эффективность создаваемых решений с помощью генеративного создания ранее не встречавшихся структур.

Ожидаемые результаты
Основным результатом проекта является семейство алгоритмов автоматизированного генеративного дизайна геометрической структуры физических объектов, основанных на комбинации подходов эволюционной оптимизации, глубокого обучения и генеративного ИИ. Данные алгоритмы могут быть использованы для задач из различных предметных областей. Подобные идеи в настоящее время развиваются мировым сообществом - однако, в большинстве случаев используются подходы топологической оптимизации, направленные не на порождение новых решений, а на улучшение существующих. Кроме того, существующие методы и алгоритмы, как правило, являются заточенными под конкретную задачу или предметную область. Создание более универсального семейства алгоритмов автоматизированного генеративного дизайна позволит существенно снизить затраты времени экспертов, требуемого для получения решений. Подобный метод позволит объединить методы оптимизации и методы глубокого обучения, что позволит как ускорить сходимость оптимизации, так и повысить качество получаемых решений за счет более эффективного исследования пространства поиска. В результате реализации такого метода впервые в мире станет возможным решать задачи генеративного дизайна из различных областей с помощью общего семейства алгоритмов. В процессе реализации проекта планируется оценить прирост качества решения и снижение временных затрат на их получение для прикладных примеров из различных областей - проектирование волнозащитных сооружений, микрофлюидных устройств, акустических конфигураций. Соответственно, в каждом пример будут рассматриваться различные физические явления: динамика ветрового волнения, гидродинамика, распространение акустических волн. Значимость запланированных результатов состоит в том, что с их применением: - увеличится качество получаемых решений в различных областях науки и техники, так как совместное использование методов многокритериальной оптимизации и моделей глубокого обучения позволит исследовать пространство поиска для заданной постановки задачи более эффективно; - снизятся затраты времени эксперта, возникающие как при поиске эффективного решения, так и при адаптации автоматизированных алгоритмов под конкретную предметную область; - будет развит существующий задел в области методов и алгоритмов генеративного дизайна, в том числе таких, которые могут быть использованы и для иных задач (например, идентификации цифровых объектов).

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---