生成的AI在应对各种设计挑战方面取得了重大进展。一个突出的区域在工程学中可以带来巨大的价值。特别是,选择一组最佳组件及其接口来创建满足设计要求的机械系统,是工程师最具挑战性和最耗时的任务之一。此配置设计任务由于其分类性质,多重设计要求而固有地具有挑战性,因此解决方案必须满足以及用于评估潜在解决方案的物理模拟的依赖。这些特征需要解决涉及黑框函数的多个约束的组合操作问题。为了应对这一挑战,我们提出了一个深刻的生成模型,以预测给定设计问题的合并和接口的最佳组合。为了阐明我们的方法,我们首先使用特定于域的语言,零件目录和物理模拟器来创建合成数据集,从而解决了齿轮序列的合成问题。然后,我们使用该数据集(名为GearFormer)训练基于变压器的模型,该模型不仅可以单独生成质量解决方案,还可以增强传统搜索方法,例如进化算法和Monte Carlo Tree搜索。我们表明,齿轮形式在满足指定的设计重新质量方面以更快的生成时间的订单来胜过此类搜索方法。此外,我们还展示了利用齿轮形式和搜索方法的混合方法的好处,从而进一步提高了解决方案的质量。
主要关键词