INVERSE AND FORWARD MODELING MACHINE LEARNING-BASED GENERATIVE DESIGN

Machine-learned networks provide generative design. Rather than emulate the typical human design process, an inverse model is machine trained to generate a design from requirements. A simulation model is machine trained to recover performance relative to the requirements for generated designs. These two machine-trained models are used in an optimization that creates further designs from the inverse model output design and tests those designs with the simulation model. The use of machine-trained models in this loop for exploring many different designs decreases the time to explore, so may result in a more optimal design or better starting designs for the design engineer. Les réseaux appris par machine fournissent une conception générative. Plutôt que d'émuler le processus de conception humaine typique, un modèle inverse est appris par une machine afin de générer une conception à partir d'exigences. Un modèle de simulation est appris par machine pour récupérer les performances relatives aux exigences concernant les conceptions générées. Ces deux modèles appris par machine sont utilisés dans une optimisation qui crée d'autres conceptions à partir de la conception de sortie du modèle inverse et teste ces conceptions avec le modèle de simulation. L'utilisation de modèles appris par machine dans cette boucle permettant d'explorer de nombreuses conceptions différentes diminue le temps d'exploration, ce qui permet d'obtenir une conception plus optimale ou de meilleures conceptions de départ pour l'ingénieur d'études.