Zespół naukowców opracował nowatorski system, który łączy generator obrazów oparty na diffusion models z klasyczną optymalizacją topologii, aby projektować struktury nośne inspirowane naturą. Zamiast ręcznego wymyślania kształtów, inżynierowie mogą teraz opisać pożądaną konstrukcję zwykłym tekstem - na przykład "żeberka inspirowana pajęczyną" - a system automatycznie wygeneruje projekt, który równocześnie spełnia wymogi fizyki i wizualnie przypomina opisaną strukturę.
Klucz do innowacji stanowi score distillation sampling, technika, która ekstrahuje wiedzę designerską z modelu text-to-image bez konieczności ponownego trenowania. W każdej iteracji optymalizacji system łączy dwa źródła gradientów: jeden pochodzący z generatywnego modelu (kodujący wizualne cechy z promptu) i drugi z analizy elementów skończonych (uwzględniający rzeczywistą fizykę). To pozwala fizyce decydować, które cechy generowane przez model faktycznie poprawiają konstrukcję.
Wyniki są imponujące - w testach obejmujących 245 przebiegów na czterech różnych domenach geometrycznych i dwóch wariantach fizyki, 38 z 49 kombinacji prompt-domena uzyskało statystycznie istotne zmniejszenia podatności. Redukcje wahały się od 23% dla problemów termosprężystych do 31,5% dla przypadków czysto mechanicznych. Analiza porównawcza pokazała, że generatywny model konsekwentnie eliminuje martwe gałęzie w strukturze nośnej, co stanowi powracającą sygnaturę poprawy jakości projektów. Podejście to otwiera możliwość demokratyzacji zaawansowanego projektowania inżynierskiego, pozwalając pracownikom bez specjalistycznej wiedzy na temat algorytmów optymalizacji na uczestnictwo w procesie kreatywnym.