В версии v1 препринта, датированной 20 октября 2026 года, Xiangyu Sun, Shirin Hosseinmardi и Ramin Bostanabad представили SNTO — метод топологической оптимизации конструкций с ограничениями по напряжению. Авторы описывают трёхмерные задачи до восьми миллионов точек коллокации и обучение максимум на восьми GPU. Метод объединяет оптимизацию нескольких нейросетевых представлений и распределение вычислений по частям области. Препринт был объявлен на arXiv 22 октября. Описание метода и результаты авторов.
Состояние конструкции и её проектирование оптимизируются совместно
В SNTO переменные состояния, сопряжённые переменные и переменные проектирования представлены отдельными нейросетями. Авторы совместно оптимизируют параметры этих сетей в одном цикле, используя непрерывный сопряжённый анализ и автоматическое дифференцирование.
Функция потерь сочетает целевую функцию проектирования, агрегированные локальные ограничения по напряжению и функционал потенциальной энергии. Поэтому физическое состояние конструкции и её проектируемая форма входят в одну схему оптимизации, а не описываются как отдельное обучение после завершённого расчёта.
Область делят между GPU, а фрагменты обрабатывают последовательно
В описанной авторами схеме проектную область делят на подобласти и распределяют между несколькими GPU. Каждую подобласть дополнительно разбивают на меньшие фрагменты: градиенты функции потерь для них вычисляют последовательно, затем накапливают для обновления параметров нейросетей.
Авторы сообщают, что их разбиение сохраняет непрерывность полей между подобластями без дополнительных членов в функции потерь. Последовательная обработка фрагментов предназначена для снижения пикового использования видеопамяти; это не отменяет зависимости вычислений от конкретной задачи и оборудования.
Для трёхмерных задач авторы приводят масштаб до восьми миллионов точек
В препринте рассмотрены трёхмерные задачи с количеством точек коллокации до восьми миллионов, а обучение распределено максимум на восемь GPU. Авторы сообщают, что время обучения уменьшается почти пропорционально числу GPU, а увеличение числа подфрагментов снижает пиковое использование памяти GPU.
Это результаты описанных в работе постановок, а не гарантия такого ускорения на любой модели или системе. В двухмерных тестах авторы сравнили SNTO с обычным подходом на основе метода конечных элементов и сообщили о конструкциях с более резкими границами, меньшей долей промежуточных («серых») областей и меньшей долей материала.
Результаты относятся к задачам из препринта
Технические результаты и сравнение представлены авторами версии v1 препринта; независимых оценок метода в доступном источнике нет. Работа показывает предложенную схему оптимизации и её результаты на рассмотренных тестах, но сама по себе не устанавливает применимость к произвольным инженерным задачам или готовность к промышленному использованию.
