구조적 토폴로지 최적화(TO)는 공학 설계에 중요하지만 복잡한 물리 현상과 제약 조건으로 인해 계산 집약적이다. 기존의 딥러닝 방법은 고정된 정사각형 격자, 몇 가지 수동으로 코딩된 경계 조건, 사후 최적화에 국한되어 일반적인 배포가 어려웠다. 본 논문에서는 임의의 종횡비, 해상도, 부피 비율, 하중 및 고정 장치에 대한 최소 준수 레이아웃을 직접 예측하는 파운데이션 모델 프레임워크인 Optimize Any Topology(OAT)를 소개한다. OAT는 해상도 및 형상에 무관한 오토인코더와 암시적 신경 필드 디코더, 200만 개의 고유한 경계 조건 구성을 포함하는 220만 개의 최적화된 구조로 구성된 새로운 코퍼스인 OpenTO에서 훈련된 조건부 잠재 확산 모델을 결합한다. 네 개의 공개 벤치마크와 두 개의 까다로운 미공개 테스트에서 OAT는 이전 최고 모델보다 평균 준수성을 최대 90% 낮추고, 64 x 64에서 256 x 256까지의 해상도와 10:1에 달하는 종횡비에서 단일 GPU에서 1초 미만의 추론을 제공한다. 이러한 결과는 OAT가 물리학을 인식하는 토폴로지 최적화를 위한 일반적이고 빠르며 해상도에 구애받지 않는 프레임워크임을 입증하며, 역 설계를 위한 생성 모델링에 대한 추가 연구를 촉진하기 위한 대규모 데이터 세트를 제공한다.
