利用算法设计结构已经催生出多种新型部件,包括超轻型飞机零件、高带宽天线以及一级方程式赛车部件等。

然而,即便是最先进的算法设计技术,仍需耗费大量计算资源与时间:用户只能在设计完成后看到最终结果,若需修改,往往必须从头开始整个设计流程。这一过程也使得人们更难信任最终设计在结构上是否真正可靠。

麻省理工学院的研究人员正通过一套类似AI副驾驶的系统,让算法设计变得更具协作性。在算法生成结构的过程中,系统会将相关区域呈现给人类设计师,征求其反馈意见。

在一篇发表于开放获取期刊《Communications Engineering》、描述该系统的论文中,研究人员指出,相较于完全依赖算法的设计方式,该系统设计出的结构更易于制造,屈曲荷载也更高,而总体设计时间仅增加了15秒。

研究人员认为,这种采用拓扑优化技术的方法,有望让更广泛的工程设计人员更容易获得可实际制造的算法设计方案。

“目前,人类在设计过程进行时并没有任何主动权或控制权,”论文第一作者、麻省理工学院土木与环境工程专业2026届博士Dat Ha解释道,他现任LeMessurier公司结构设计师。“对于这些极其复杂的设计,我们也希望能够调动我们的大脑——这是世界上最复杂的机器——以一种更贴近行业实际需求的方式来解决这些设计问题。”

与Ha共同参与该论文的还有:Ferdous Alam,麻省理工学院前博士后研究员,现任佐治亚理工学院助理教授;Markus Buehler,麻省理工学院Jerry McAfee(1940届)工程学教授;Faez Ahmed,麻省理工学院机械工程副教授;以及通讯作者Josephine Carstensen,麻省理工学院土木与环境工程副教授。

引入人类参与环节

拓扑优化是目前最先进、最具前景的算法设计技术之一。它运用正式的优化技术,以迭代的方式填充设计所需的空间,从而最大程度地实现既定目标。对于大多数应用场景而言,这一过程需要耗费大量计算资源和时间。当设计最终完成时,所得结果可能难以实际建造,或者存在工程师未曾考虑到的其他问题。例如,某些设计可能在单一节点处汇聚八个甚至更多的梁连接,这在现实中是难以施工的。

“工程师们始终对计算机程序持怀疑态度,尤其是当程序给出非常怪异或出乎意料的设计结果时,”Ha说道。“从理论上讲,拓扑优化确实非常强大,能够实现出色的高性能设计,但其黑箱特性使其在行业中的应用一直不够广泛。”

拓扑优化已在汽车和航空航天行业获得了一定的应用,但在建筑或桥梁设计领域的应用却较少,部分原因在于设计工程师需要确信自己能够信任输出结果。

“一个重要的限制因素在于,设计工程师对设计演变过程的影响力非常有限,因此无法控制那些不理想的特征,”Carstensen解释说。“缺乏控制权和主导感,也抑制了这项技术的推广应用。”

为解决这些问题,研究人员让拓扑优化变得更具协作性,Carstensen将这种方法比作拥有一位设计副驾驶。

此前将人类判断纳入其中的尝试,往往会大幅拖慢整个流程。研究人员的新系统利用机器学习,快速识别出算法设计中人类最可能希望修改的区域。为训练这一机器学习模型,研究人员创建了一个合成数据集,其中包含了针对数千种设计的可能人类反馈,涵盖美学、性能标准和可制造性等方面的评价意见。

“我们认为,如果能够记录下人类在这些程序中做出修改的位置,那么这些选择背后或许存在某种规律,这与其他类型的机器学习方法并无本质区别,”Ha说道。

Carstensen认为,该系统将算法设计方法与人类设计方法的优势融为一体。

“这个理念的核心在于调动设计师的大脑,让他们能够在设计演变的过程中注入自己的专业知识,”Carstensen说道。

在演示中,研究人员展示了他们的人在回路方法将可制造性和线性屈曲荷载提升了39%,而总体设计时间仅有小幅增加。

目前,该方法仅允许用户在已识别的区域内对结构进行加厚或减薄的调整,但他们希望在未来的版本中加入其他修改选项。

“我们希望通过解决这些障碍,让拓扑优化面向更广泛的受众开放,不仅限于行业应用,也包括学术界的研究人员和学生,”Carstensen说道。

从设计到结构

研究人员认为,他们的方法可以与纯AI设计方法形成互补。

“我们认为两种方法都有其存在空间,”Carstensen说道。“如果你所在的学科拥有充足的计算资源,可以采用另一种方法。但如果你确实需要人类的输入,就可以使用这种协作式方法。”

加入人类输入还有助于增强人们对设计结果的信任。

“在某些场景下,人类需要在最终设计推进之前做出最终决策,”Carstensen说道。“通过让人类参与其中,我们能够将性能更优的设计应用到现实世界中,从而创造出性能更出色的结构。因为这不仅仅关乎设计出优秀的产品,更关乎创造出人类真正愿意接受并采纳的优秀产品。”

这项工作部分得到了MathWorks工程奖学金基金、塔塔钢铁公司以及麻省理工学院生成式AI影响联盟的支持。

MIT News