TopoDiff：扩散模型驱动的拓扑优化

TopoDiff 用条件扩散模型取代了学习型拓扑优化中常见的条件 GAN 方案，并引入外部代理模型在生成过程中对柔度与可制造性打分，实现有引导的结构生成。

为何扩散模型更合适：逐步去噪的过程天然支持每一步施加外部引导，因此力学性能与可行性约束可以在生成阶段直接注入，而不必只靠模仿训练集中的最优构型。

报告结果：相比当时最优的条件 GAN，TopoDiff 将物理性能的平均误差降低约 8 倍，产生的不可行样本数量减少约 11 倍。

工程启示：拓扑优化已嵌入主流 CAD 工具，真正决定成败的不是”看起来合理”的构型，而是同时满足性能与可制造性；作者已公开代码、数据与训练好的模型。