在整个设计社区中，生成设计一直在增长，作为设计空间探索的可行方法。由于具有附加的对流扩散方程及其相关边界相互作用，热设计比机械或空气动力学设计更为复杂。我们使用合作的多代理深钢筋学习以及流体和固体结构域的连续几何表示，提出了生成的热设计。该提出的框架由预先训练的神经网络替代模型组成，作为预测产生几何形状的传热和压降的环境。设计空间通过复合Bezier曲线进行参数化，以求解多个FIN形状优化。我们表明，我们的多代理框架可以使用多目标奖励来学习设计策略的策略，而无需形状推导或可区分的目标函数。

我们提出了使用复合曲线曲线产生的复杂鳍几何形状的传​​热和压降预测的替代模型。热设计过程包括复杂，计算昂贵且耗时的迭代高保真模拟。随着机器学习算法以及图形处理单元（GPU）的进步，我们可以利用GPU的并行处理体系结构，而不仅仅是仅依靠CPU来加速热流体模拟。在这项研究中，卷积神经网络（CNN）用于直接从保存为图像的拓扑中预测计算流体动力学（CFD）的结果。研究了带有单个鳍和多个形态鳍的表壳。为案例提供了单个FIN设计的Xpection网络和常规CNN的比较。结果表明，对于单鳍设计，尤其是使用Xception网络，观察到高精度的预测精度。增加设计自由到多个鳍片会增加预测的误差。然而，对于设计目的而言，这一错误仍在压降和传热估计中保持在3％之内。