GP_for_TO

模型介绍

GP_for_TO（Physics-informed GP-TO）是美国西北大学相关团队提出的物理信息高斯过程拓扑优化框架，可在无须显式网格离散的情况下，对复杂设计域中的材料分布与物理状态变量进行协同优化。

论文：Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes https://arxiv.org/abs/2408.03490

模型描述

GP_for_TO 基于深度神经网络参数化均值函数的高斯过程架构，面向 Stokes 流耗散功最小化等流体拓扑优化问题开展无网格求解。

使用说明

1. OneCode 使用

可通过 OneCode 在线环境体验智能化一键式 AI4S 编程：

点击体验智能化一键式 AI4S 编程

2. 手动安装使用

硬件要求

• 推荐使用 GPU 或 DCU 运行。
• CPU 可以用于导入和小配置连通性验证，完整训练和推理速度较慢。
• DCU 用户需要预先安装 DTK，建议使用 DTK 25.04.2 以上版本或与当前集群匹配的 OneScience 推荐版本。

下载模型包

modelscope download --model OneScience/GP_for_TO --local_dir ./GP_for_TO
cd GP_for_TO

安装运行环境

DCU环境

# 请首先激活DTK及CONDA
conda create -n onescience311 python=3.11 -y
conda activate onescience311
# 支持uv安装
pip install onescience[cfd-dcu] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

GPU环境

# 请首先激活CONDA
conda create -n onescience311 python=3.11 -y libstdcxx-ng=12 libgcc-ng=12 gcc_linux-64=12 gxx_linux-64=12
conda activate onescience311
# 支持uv安装
pip install onescience[cfd-gpu] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

训练数据介绍

该方法不依赖预生成的拓扑结构或物理场标签，而是在设计域内采样空间点，利用 Stokes 流控制方程、边界条件、耗散功目标及材料体积分数约束构造物理信息训练信号；论文选取 Rugby、Pipe Bend、Diffuser 和 Double Pipe 四类流体拓扑优化算例进行测试，并使用 COMSOL 的 SIMP 求解结果进行对比验证。

训练

默认训练配置保留原始设置：N_col_domain=10000、N_train_per_BC=25、num_iter=50000、diff_method=Numerical。

python scripts/train.py

训练权重

本仓库在weights/文件夹内提供GP_for_TO模型权重，该权重即将上传。

推理

python scripts/inference.py

默认读取 weight/gp_for_to.pt，输出：

result/inference/predictions.npz
result/inference/inference_summary.json

predictions.npz 中包含 x、u、v、p、ro 五组数组。

预测结果可视化

python scripts/result.py

OneScience 官方信息

引用与许可证

• GP_for_TO 原始论文：Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes。
• 本仓库已保留相关来源及归属说明。使用、修改或分发本仓库内容时，请遵循相应的许可证要求。