MIT 研究团队开发 AI“copilot”，让工程师参与拓扑优化设计

使用算法设计结构，已经催生出针对超轻型飞机、高带宽天线和F1赛车优化出的新部件。

但最优秀的算法设计技术仍然需要大量计算和时间：用户只有在设计完成后才能看到最终设计，而之后他们往往必须重新开始整个设计流程才能做出修改。这一过程也让人更难相信最终设计在结构上是可靠的。

麻省理工学院的研究人员正在让算法设计更具协作性，他们开发了一套像AI副驾驶一样运作的系统。在算法生成结构的过程中，它会将各个区域呈现给人类设计师以获取反馈。

在一篇描述该系统的开放获取《Communications Engineering》论文中，研究人员表明，与全算法方法相比，该方法能生成更易于制造、屈曲载荷更高的结构，而总设计时间仅增加15秒。

研究人员认为，这种方法采用了一种称为拓扑优化的设计技术，有望让更广泛的设计工程师群体更容易使用算法设计，并使其更具可制造性。

“目前，在设计过程展开时，人类没有任何能动性或控制权，”论文第一作者、26届博士Dat Ha解释道，他最近刚从麻省理工学院土木与环境工程专业博士毕业，现在是LeMessurier的结构设计师。“对于这些非常复杂的设计，我们也想借助我们的大脑——这是世上最复杂的机器——以更贴合行业实际的方式来解决这些设计问题。”

与Ha共同撰写论文的还有：麻省理工学院前博士后、现佐治亚理工学院助理教授Ferdous Alam；麻省理工学院Jerry McAfee（1940）工程学教授Markus Buehler；麻省理工学院机械工程副教授Faez Ahmed；以及资深作者、麻省理工学院土木与环境工程副教授Josephine Carstensen。

将人类引入循环

拓扑优化是最先进、最有前景的算法设计技术之一。它使用形式化优化技术，以最大限度实现既定目标的方式，迭代地填充为设计给定的空间。对于大多数应用而言，这一过程需要大量计算和时间。当它最终完成时，设计可能难以建造，或者存在工程师未曾考虑到的其他问题。例如，一些设计可能在单点处有八个或更多梁连接，这在实际中很难制造。

“工程师总是对计算机程序非常怀疑，尤其是当它们给出非常怪异或出乎意料的设计时，”Ha说。“从纸面上看，拓扑优化确实非常强大，可以实现出色的高性能设计，但其黑箱性质使其在工业界未能被广泛采用。”

拓扑优化已在汽车和航空航天行业获得一定应用，但在设计建筑或桥梁方面使用较少，部分原因是设计工程师需要确信他们可以信任输出结果。

“一个很大的限制因素是，设计工程师对设计如何演变几乎没有影响力，因此无法控制不良特征，”Carstensen解释道。“缺乏控制和缺乏归属感也阻碍了它的使用。”

为了解决这些问题，研究人员让拓扑优化更具协作性，Carstensen将这种方法比作拥有一个设计副驾驶。

此前尝试加入人工判断的做法会大幅拖慢进度。研究人员的新系统利用机器学习，快速识别算法设计中人类最有可能想要修改的区域。为了训练该机器学习模型，研究人员创建了一个合成数据集，其中包含针对数千个设计可能的人类反馈，这些反馈对美学、性能标准和可制造性等方面提出了批评。

“我们当时想，如果我们能记录下人类在哪些地方对这些程序做过修改，那么这些选择或许存在某种规律，这与其它类型的机器学习方法并无太大不同，”Ha 说。

Carstensen 认为，该系统将算法设计与人工设计方法的最佳之处结合在了一起。

“其思路是挖掘设计师的大脑，让他们随着设计的演进而注入自己的领域知识，”Carstensen 说。

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载荷提高了 39%，而总设计时间仅略有增加。

目前，该方法只允许用户将已识别区域内的结构加厚或减薄，但他们希望在未来的版本中加入其他修改选项。

“希望通过解决这些障碍，我们能让拓扑优化面向更广泛的受众，不仅是工业界，也包括学术界的研究人员和学生，”Carstensen 说。

从设计到结构

研究人员认为他们的方法是对纯 AI 设计方法的补充。

“我们认为两者都有存在空间，”Carstensen 说。“如果你所在的学科拥有大量计算资源，你可以使用另一种方法。但如果你确实需要人的输入，你可以使用这种协作方法。”

加入人工输入还有助于提升信任。

“在某些场景下，人类需要在推进最终设计之前做出最终决定，”Carstensen 说。“通过让人类参与，我们可以将性能更高的设计推向现实世界，创造出性能更高的结构。因为这不仅仅是设计出好的物件；而是要创造出人类真正会接受并制造的好物件。”

这项工作部分得到了 MathWorks 工程奖学金基金、TATA Steel 以及 MIT 生成式 AI 影响力联盟的支持。