ヨンミン・クォン (Yongmin Kwon)氏とナムー・カン (Namwoo Kang)氏は2026年9月10日(現地時間)、テキスト-to-画像拡散モデルをトレーニング不要な設計知識源として、トポロジー最適化と組み合わせる新しい手法を発表した。同氏らの論文がarXiv cs.LGに掲載された。自然界の構造に匹敵する高剛性・低質量なパターン生成を目指し、エンジニアが自然言語で設計意図を表現できる点が特徴。245回の評価ランで、49通りのプロンプトとドメインの組み合わせのうち38通りで、既存手法を上回る有意なコンプライアンス削減（機械的で最大31.5%、熱弾性で最大23.0%）を達成した。
本研究では、凍結されたtext-to-image diffusion modelがトレーニング不要な設計知識源として扱われ、score distillation samplingを通じて密度ベースのtopology optimizationの物理ループに組み込まれる。これにより、テキストプロンプトがエンジニアの意図を機械が解釈可能な明示的表現として機能する。
プロンプトから生成される勾配と有限要素感度が各イテレーションで結合され、物理法則に基づいてどのプロンプト由来の特徴を残すかが決定される。4つの幾何学的ドメインと2つの物理レジームにわたる245回の主要なSDS実行において、49通りのプロンプトとドメインの組み合わせのうち38通りが統計的に有意なコンプライアンス削減を達成し、勾配ベースのベースラインを上回った。機械的コンプライアンスでは最大マイナス31.5%、熱弾性コンプライアンスでは最大マイナス23.0%の削減が確認された。
クロスドメイン形態分析により、改善の構造的特徴として、ほとんどのドメインでリブ骨格における行き止まり枝の抑制が特定された。これと終点-コンプライアンス相関はプラス0.56からプラス0.99の範囲にある。この拡散-物理結合における顕著な中間密度傾向（42.6%から3%未満）は、Heaviside projection with $\beta$-continuationによって解決された。さらに、最適化された密度フィールドをcomputer-aided design（CAD）向け候補ジオメトリに変換する自動スケルトンベースパイプラインが導入されている。
このフレームワークは、テキストプロンプトを変更することで、生成プライアをドメイン、荷重条件、物理目標に再ターゲットすることが可能で、各新しい問題の物理設定は個別に指定される。これにより、事前学習済み生成モデルが工学設計のための再利用可能でトレーニング不要なプライアとして活用される。
参考: arXiv cs.LG (アーカイブ) — 2026年9月11日 13:00 (JST)
原文ハイライト"merging training-free generative prior with topology optimization"