Data-Driven Inverse Design using Denoising Autoencoder to Determine Partially Specified Design Variables

Abstract

Inverse design refers to a data-driven approach in which the target performance criteria are inputted first, and then design solutions that satisfy these criteria are derived. In most recent research, generative model-centric approaches have been widely used in inverse design techniques. However, due to their tendency to generate the whole design solution, it will lead to the limitations in handling partial design variables when certain design parameters are fixed, and they require a large amount of data for training, leading to issues such as overfitting and performance degradation. To overcome these drawbacks, this research proposes a data-driven inverse design methodology using a denoising autoencoder. The proposed architecture consists of a two-step neural network model that utilizes the denoising autoencoder trained on the design input variables and performance data predicted through simulations. The generated design solutions are then used to predict product performance. By employing the proposed architecture, the research overcomes the limitations of generative model-centric approaches, such as the inability to handle partial design variables and the low performance in situations with limited data. A case study using glass run channel design data from a manufacturing company is conducted to validate the proposed framework. A comparison is performed with a K-Nearest Neighbor (KNN) imputer model. The proposed method consistently outperforms the KNN model in terms of the quality of reconstructed design solutions, predicted product performance, and computational time.|역방향 설계(inverse design)는 목표 성능치를 먼저 입력하고, 이를 만족하는 디자인 솔루션을 도출하는 데이터 기반의 기법을 의미한다. 최근의 연구에서는 생성모델(generative model) 중심 접근법이 역방향 설계 기법에서 널리 사용되었다. 그러나, 이전 연구에서 생성모델 중심 접근법을 사용한 방식은 디자인 대안 전체를 생성하는 경향이 있어, 특정 설계 변수가 고정되어 있을 때 부분적인 설계 변수를 처리하는 데 한계가 있었으며, 훈련에 많은 양의 데이터가 필요하다는 문제점이 있어, 오버피팅 및 성능 저하와 같은 이슈가 발생하였다. 이러한 단점을 극복하기 위해, 본 연구는 노이즈 제거 오토인코더(denoising autoencoder)를 활용한 데이터 기반 역방향 설계(inverse design) 방법론을 제안한다. 제안된 아키텍처는 노이즈 제거 오토인코더(denoising autoencoder)를 학습하는 설계 입력 변수와 시뮬레이션을 통해 예측된 성능 데이터를 활용하는 2 단계 신경망 모델로 구성된다. 그리고 이렇게 생성된 디자인 솔루션을 이용하여 제품 성능을 예측한다. 본 연구에서 제안하는 아키텍처를 사용하면, 생성모델(generative model) 중심 접근법을 사용한 이전 연구의 한계를 극복하고, 부분적인 설계 변수를 처리할 수 있으며, 데이터가 제한적인 상황에서도 높은 성능을 발휘할 수 있다. 제조기업에서의 글래스런 채널 디자인 데이터를 이용한 사례 연구를 통해 제안된 프레임워크를 검증하였다. 또한, K-최근접 이웃(KNN) 대체 모델과 비교하였다. 제안된 방법은 재구성된 디자인 솔루션의 품질, 예측된 제품 성능, 계산 시간 등에서 KNN 모델을 일관되게 능가하는 성능을 보였다.