TopoDiff：扩散模型驱动的拓扑优化
TopoDiff 用条件扩散模型取代了学习型拓扑优化中常见的条件 GAN 方案，并引入外部代理模型在生成过程中对柔度与可制造性打分，实现有引导的结构生成。
为何扩散模型更合适：逐步去噪的过程天然支持每一步施加外部引导，因此力学性能与可行性约束可以在生成阶段直接注入，而不必只靠模仿训练集中的最优构型。
报告结果：相比当时最优的条件 GAN，TopoDiff 将物理性能的平均误差降低约 8 倍，产生的不可行样本数量减少约 11 倍。
工程启示：拓扑优化已嵌入主流 CAD 工具，真正决定成败的不是”看起来合理”的构型，而是同时满足性能与可制造性；作者已公开代码、数据与训练好的模型。
标签: 拓扑优化扩散模型生成式设计可制造性结构力学
相关条目
- HydroGym：强化学习流体控制平台 · 面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- MACE-MP-0：原子尺度通用机器学习势 · 基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原
- 如何使用 AI Agent 为仿真准备 3D 场景 · NVIDIA 介绍利用 Agentic AI 工作流为物理 AI 系统准备和验证数字孪生的方法，Agent 可检查 3D 场景并生成仿真相关数据。
- NVIDIA Groq 3 LPX 确定性与 Vera Rubin 高交互推理 · NVIDIA Groq 3 LPX 通过确定性执行技术提升 Vera Rubin 平台推理效率，实现 AI 工厂场景下的高交互性与低功耗计算。