HeatGen: A Guided Diffusion Framework for Multiphysics Heat Sink Design Optimization
Hadi Keramati, Morteza Sadeghi, Rajeev K. Jaiman
这项研究提出了一个基于引导去噪扩散概率模型(DDPM)的生成优化框架,该模型利用替代梯度生成散热片设计,最大限度地减少压降,同时保持表面温度低于指定阈值。 几何形状使用多个鳍的边界表示表示,并使用多保真方法来生成训练数据。 使用此数据集,以及代表边界表示几何形状的向量,我们训练一个去噪扩散概率模型,以产生与数据中观察到的特征一致的散热片。 我们训练两种不同的残余神经网络来预测每个几何形状的压降和表面温度。 我们使用这些替代模型相对于设计变量的梯度来指导几何生成过程,以满足低压和表面温度限制。 这种推理时间指导将生成过程引导到散热片设计,不仅可以防止过热,还可以与CMA-ES等传统优化方法相比实现更低的压降。 与传统黑盒优化方法相反,我们的方法具有可扩展性,只要有足够的训练数据。 与传统拓扑优化方法不同,一旦模型被训练并保存散热器世界模型,在新的约束(例如温度)下的推理计算成本低廉,不需要再训练。 使用引导扩散模型生成的样品实现的压力下降幅度比传统黑盒优化方法获得的极限低10%。 这项工作代表了朝着构建电子冷却的基础生成模型迈出的一步。
This study presents a generative optimization framework based on a guided denoising diffusion probabilistic model (DDPM) that leverages surrogate gradients to generate heat sink designs minimizing pressure drop while maintaining surface temperatures below a specified threshold. Geometries are represented using boundary representations of multiple fins, and a multi-fidelity approach is employed to generate training data. Using this dataset, along with vectors representing the boundary representat...