--- format: "aidr-story-markdown/v1" id: "abf61122a19388ab170ad4312615ae4d0675f3cdbd0a38897a92d787d72ee316" canonical_url: "https://aidr.today/abf61122?lang=vi" title: "Tối ưu hóa hình học có ràng buộc stress quy mô lớn: Phương pháp siêu phân giải và đồng thời dựa trên máy học" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-22T04:00:00.000Z" category: "Research" topics: ["research"] source_urls: ["https://arxiv.org/abs/2610.28703"] summary: "Việc tối ưu hóa hình học (TO) quy mô lớn vẫn còn tốn kém về mặt tính toán, đặc biệt là đối với các bài toán có ràng buộc stress. Để giải quyết thách thức này, chúng tôi đề xuất khung neural topology optimization đồng thời (SNTO), trong đó chúng tôi biểu diễn các biến trạng thái, biến liên minh và biến thiết kế bằng các mạng nơ-ron tùy chỉnh (NNs) có tham số được tối ưu chung trong một vòng lặp tối ưu duy nhất, khai thác phân tích liên minh liên tục và phân biệt tự động. Sự tối ưu này tối thiểu một hàm mất mát đa thành phần kết hợp mục tiêu thiết kế, một tổng hợp của các ràng buộc stress địa phương và các chức năng năng lượng tiềm năng. Các NNs của chúng tôi có kiến trúc độc đáo tăng tốc hội tụ đồng thời cho phép mạng nắm bắt các gradient sắc nét và ranh giới mà các mạng cần thiết cho việc tối ưu hóa hình học có ràng buộc stress. Để đạt được khả năng mở rộng lên tới hàng triệu bậc tự do (DoF), chúng tôi phát triển một kế hoạch huấn luyện nhận thức phần cứng, trong đó miền thiết kế được phân chia thành các miền con được phân phối trên nhiều GPUs." --- # Tối ưu hóa hình học có ràng buộc stress quy mô lớn: Phương pháp siêu phân giải và đồng thời dựa trên máy học > [Open the canonical story]() **Published:** 2026-10-22T04:00:00.000Z **Category:** Research **Topics:** research ## Summary Việc tối ưu hóa hình học \(TO\) quy mô lớn vẫn còn tốn kém về mặt tính toán, đặc biệt là đối với các bài toán có ràng buộc stress\. Để giải quyết thách thức này, chúng tôi đề xuất khung neural topology optimization đồng thời \(SNTO\), trong đó chúng tôi biểu diễn các biến trạng thái, biến liên minh và biến thiết kế bằng các mạng nơ\-ron tùy chỉnh \(NNs\) có tham số được tối ưu chung trong một vòng lặp tối ưu duy nhất, khai thác phân tích liên minh liên tục và phân biệt tự động\. Sự tối ưu này tối thiểu một hàm mất mát đa thành phần kết hợp mục tiêu thiết kế, một tổng hợp của các ràng buộc stress địa phương và các chức năng năng lượng tiềm năng\. Các NNs của chúng tôi có kiến trúc độc đáo tăng tốc hội tụ đồng thời cho phép mạng nắm bắt các gradient sắc nét và ranh giới mà các mạng cần thiết cho việc tối ưu hóa hình học có ràng buộc stress\. Để đạt được khả năng mở rộng lên tới hàng triệu bậc tự do \(DoF\), chúng tôi phát triển một kế hoạch huấn luyện nhận thức phần cứng, trong đó miền thiết kế được phân chia thành các miền con được phân phối trên nhiều GPUs\. ## Sources - [Story source]()