Naukowcy zaproponowali framework SNTO - Simultaneous Neural Topology Optimization - który rewolucyjnie podchodzi do optymalizacji topologii pod ograniczeniami naprężeń. Zamiast tradycyjnych metod, wszystkie zmienne projektowe reprezentowane są przez niestandardowe sieci neuronowe optymalizowane wspólnie w jednej pętli. To podejście łączy analitykę ciągłych zmiennych adjoint z automatycznym różniczkowaniem, minimalizując wieloskładnikową funkcję straty zawierającą cel projektowy, agregację lokalnych ograniczeń naprężeń i funkcjonały energii potencjalnej.
Klucz do praktycznego zastosowania tkwi w zdolności metody do skalowania do milionów stopni swobody. Osiąga to poprzez inteligentne partycjonowanie domeny projektowej między wiele GPU-ów, przy jednoczesnym kontrolowaniu szczytowego użycia pamięci. Każda poddomena jest dalej dzielona na mniejsze regiony, których gradienty funkcji straty obliczane są sekwencyjnie i akumulowane do aktualizacji parametrów sieci. To podejście, w przeciwieństwie do tradycyjnych metod dekompozycji domeny, naturalnie zapewnia ciągłość pół na całej domenie bez wprowadzania dodatkowych członów do funkcji straty.
Znaczenie tego rozwoju leży w możliwości rozwiązywania wcześniej obliczeniowo niewykonalnych problemów inżynierskich. Optymalizacja topologii pod ograniczeniami naprężeń ma zastosowanie w projektowaniu komponentów lotniczych, automobilowych i mechanicznych, gdzie zarówno minimalizacja masy jak i kontrola naprężeń są krytyczne. Połączenie uczenia maszynowego ze stałymi metodami optymalizacji otwiera nowe możliwości dla inżynierii wspomaganej AI.