【技术实现步骤摘要】
本公开总体说来涉及仿真，更具体地讲，涉及一种设计优化方法和设计优化装置。
技术介绍
1、从芯片制造到航天飞机，几乎所有的设计制造都离不开对其物理、化学过程进行仿真。通常，工程师需要通过不断优化改进设计物体的几何形状、材料等使仿真出来的结果在满足设计指标的前提下，最小化制造代价。传统方法需要用通过试错的方式优化设计物的几何形状、材料，非常依赖工程师的经验。此外，给定几何、材料的物理化学过程仿真通常非常耗时，而且传统有限元方法中也需要工程师不断优化计算区域的网格保证结果的收敛，对于复杂结构的物理场设计，该方案可能会需要周级别甚至月级别的周期才能得到满足要求的设计结果。综上所述，传统方法非常依赖工程师的经验，且非常耗时。
2、相关技术中提出了基于pinn(physics informed neural network，内嵌物理知识神经网络)，利用深度学习的方法，以训练神经网络的形式进行仿真的方案。简单概括，pinn的原理就是将一些时空采样点的坐标输入待训练的神经网络，并输出仿真值，进而结合初始条件和边界条件计算损失函数，通过训练神经网络来最小化损失函数，以近似pde(partial differential equation，偏微分方程)的求解。其中，损失函数项包括初始和边界条件的残差项，以及区域中选定点处的pde残差。训练完成后进行推理，也就是将时空点的坐标输入训练好的神经网络，就可以得到相应时空点上的仿真值。但现有的pinn网络技术和传统方法一样，仍然只能对确定的设计进行仿真，需要采用试错的方式，先对一个确定的设计进行
技术实现思路
1、本公开提供一种设计优化方法和设计优化装置，用于至少解决上述问题，也可不解决上述问题。
2、根据本公开的一方面，提供一种设计优化方法，所述设计优化方法基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化方法包括：获取多组采样设计参数和相应的时空采样点；基于所述多组采样设计参数和相应的时空采样点，对所述仿真神经网络进行预训练，得到预训练仿真神经网络；获取初始设计参数；将所述初始设计参数作为所述可调设计参数的初始值，对所述可调设计参数和所述预训练仿真神经网络进行多次迭代训练，在每次迭代训练的过程中基于损失函数更新所述可调设计参数和所述预训练仿真神经网络，直到所述损失函数满足设定条件，得到优化设计参数和优化仿真神经网络。
3、可选地，所述损失函数包括边界条件损失、偏微分方程损失、制造成本损失、设计目标损失，所述制造成本损失由所述可调设计参数得到，所述设计目标损失由所述预训练仿真神经网络的输出值和所述可调设计参数得到。
4、可选地，所述将所述初始设计参数作为所述可调设计参数的初始值，对所述可调设计参数和所述预训练仿真神经网络进行多次迭代训练，在每次迭代训练的过程中基于损失函数更新所述可调设计参数和所述预训练仿真神经网络，直到所述损失函数满足设定条件，得到所述优化设计参数和所述优化仿真神经网络，包括：将所述初始设计参数作为所述可调设计参数的初始值，对所述可调设计参数和所述预训练仿真神经网络进行多次交替迭代训练，得到所述优化设计参数和所述优化仿真神经网络；其中，每次交替迭代训练包括：基于所述制造成本损失和所述设计目标损失，对所述可调设计参数进行迭代训练，以更新所述可调设计参数；基于更新后的所述可调设计参数、所述边界条件损失和所述偏微分方程损失，对所述预训练仿真神经网络进行迭代训练，以更新所述预训练仿真神经网络；其中，在所述设计目标损失、所述制造成本损失、所述设计目标损失均小于各自相应阈值的情况下，所述多次交替迭代训练结束。
5、可选地，在对所述可调设计参数和所述预训练仿真神经网络进行迭代训练之前，每次交替迭代训练还包括：获取最新的第一epoch数和第二epoch数，其中，所述第一epoch数用于迭代训练所述可调设计参数，所述第二epoch数用于迭代训练所述预训练仿真神经网络。
6、根据本公开的另一方面，提供一种设计优化方法，所述设计优化方法基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化方法包括：获取多组采样设计参数和相应的时空采样点；基于所述多组采样设计参数和相应的时空采样点，对所述仿真神经网络进行预训练，得到预训练仿真神经网络；获取初始设计参数；基于所述初始设计参数，确定多组候选设计参数；针对每组所述候选设计参数，对所述预训练仿真神经网络进行训练，得到所述候选设计参数对应的训练后的仿真神经网络，根据所述候选设计参数和所述训练后的仿真神经网络，确定制造成本损失和设计目标损失，所述制造成本损失由所述候选设计参数得到，所述设计目标损失由所述训练后的仿真神经网络的输出值和所述候选设计参数得到；根据每组所述候选设计参数对应的所述制造成本损失和所述设计目标损失，从所述多组候选设计参数中选择一组，作为优化设计参数，并将所述优化设计参数对应的所述训练后的仿真神经网络作为优化仿真神经网络。
7、可选地，所述获取初始设计参数，包括：基于所述预训练仿真神经网络，求解所述可调设计参数的近似最优解，作为所述初始设计参数。
8、可选地，设计参数包括结构参数和材料系数，所述仿真模型还包括偏微分方程模块，在所述可调设计参数包括可调结构参数和可调材料系数的情况下，所述偏微分方程模块的输入参数包括所述仿真神经网络的输出值以及所述可调材料系数，在所述可调设计参数为可调结构参数的情况下，所述偏微分方程模块的输入参数包括所述仿真神经网络的输出值以及固定的材料系数。
9、根据本公开的另一方面，提供一种设计优化装置，所述设计优化装置基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化装置包括：获取单元，被配置为获取多组采样设计参数和相应的时空采样点；预训练单元，被配置为基于所述多组采样设计参数和相应的时空采样点，对所述仿真神经网络进行预训练，得到预训练仿真神经网络；所述获取单元还被配置为获取初始设计参数；第一训练单元，被配置为将所述初始设计参数作为所述可调设计参数的初始值，对所述可调设计参数和所述预训练仿真神经网络进行多次迭代训练，在每次迭代训练的过程中基于损失函数更新所述可调设计参数和所述预训练仿真神经网络，直到所述损失函数满足设定条件，得到优化设计参数和优化仿真神经网络。
10、可选地，所述损失函数包括边界条件损失、偏微分方程损失、制造成本损失、设本文档来自技高网...
【技术保护点】
1.一种设计优化方法，其特征在于，所述设计优化方法基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化方法包括：
2.如权利要求1所述的设计优化方法，其特征在于，
3.如权利要求2所述的设计优化方法，其特征在于，所述将所述初始设计参数作为所述可调设计参数的初始值，对所述可调设计参数和所述预训练仿真神经网络进行多次迭代训练，在每次迭代训练的过程中基于损失函数更新所述可调设计参数和所述预训练仿真神经网络，直到所述损失函数满足设定条件，得到所述优化设计参数和所述优化仿真神经网络，包括：
4.如权利要求3所述的设计优化方法，其特征在于，在对所述可调设计参数和所述预训练仿真神经网络进行迭代训练之前，每次交替迭代训练还包括：
5.一种设计优化方法，其特征在于，所述设计优化方法基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，
6.如权利要求1到5中的任一权利要求所述的设计优化方法，其特征在于，所述获取初始设计参数，包括：
7.如权利要求1到5中的任一权利要求所述的设计优化方法，其特征在于，设计参数包括结构参数和材料系数，所述仿真模型还包括偏微分方程模块，在所述可调设计参数包括可调结构参数和可调材料系数的情况下，所述偏微分方程模块的输入参数包括所述仿真神经网络的输出值以及所述可调材料系数，在所述可调设计参数为可调结构参数的情况下，所述偏微分方程模块的输入参数包括所述仿真神经网络的输出值以及固定的材料系数。
8.一种设计优化装置，其特征在于，所述设计优化装置基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化装置包括：
9.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至7中的任一权利要求所述的设计优化方法。
10.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至7中的任一权利要求所述的设计优化方法。
...【技术特征摘要】
1.一种设计优化方法，其特征在于，所述设计优化方法基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化方法包括：
2.如权利要求1所述的设计优化方法，其特征在于，
3.如权利要求2所述的设计优化方法，其特征在于，所述将所述初始设计参数作为所述可调设计参数的初始值，对所述可调设计参数和所述预训练仿真神经网络进行多次迭代训练，在每次迭代训练的过程中基于损失函数更新所述可调设计参数和所述预训练仿真神经网络，直到所述损失函数满足设定条件，得到所述优化设计参数和所述优化仿真神经网络，包括：
4.如权利要求3所述的设计优化方法，其特征在于，在对所述可调设计参数和所述预训练仿真神经网络进行迭代训练之前，每次交替迭代训练还包括：
5.一种设计优化方法，其特征在于，所述设计优化方法基于仿真模型实现，所述仿真模型包括仿真神经网络和可调设计参数，所述仿真神经网络的输入参数包括时空采样点和所述可调设计参数，所述仿真神经网络的输出参数包括目标物理量在输入的时空采样点处的仿真值，所述设计优化方法包括：
6.如权利要求1到5中的任一...
【专利技术属性】
技术研发人员：周浩，李洋，涂威威，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。