Novi način pretvaranja 2D dizajna u 3D modele

Inženjeri često koriste modele vizualnog jezika za izradu novih dizajna, poput onih za komponente zrakoplova ili automobila. Kako bi simulirali kako će se te komponente ponašati u realnim situacijama, koristit će provjereni softver za računalno potpomognuto projektiranje (CAD) za generiranje 3D modela tih dizajna, koje mogu podvrgnuti virtualnim testovima sudara ili trajnosti.

Istraživači s MIT-a razvili su sustav koji može naučiti model vizualnog jezika da automatski pretvori 2D dizajne u CAD programe koji su puno točniji i funkcionalniji u usporedbi s drugim pristupima, a pritom koriste samo djelić izračuna.

Poboljšanjem performansi i učinkovitosti generiranja CAD-a pomoću umjetne inteligencije, ova tehnika mogla bi pojednostaviti proces brze izrade prototipova i smanjiti troškove. Također bi mogla pomoći inženjerima da prepoznaju korisne dizajnerske izbore koje bi inače mogli previdjeti.

Sustav generira nove podatke na temelju mogućnosti modela dok pokušava pretvoriti 2D sliku u CAD program. Framework ispravlja nedostatke modela i uključuje ih u skup podataka sa svojim uspješnim rješenjima te koristi te podatke kako bi naučio model kako ispraviti određene pogreške i riješiti teške probleme s kojima bi se sam borio.

„Želimo da inženjeri mogu usmjeriti naš okvir na CAD model koji ne radi kako treba, postaviti proračun za izračun i pustiti sustav da preuzme kontrolu - pretvarajući vlastite pogreške modela u bolje podatke za obuku“, kaže glavni autor Giorgio Giannone, istraživački suradnik u Laboratoriju za proračunsko računanje i digitalno inženjerstvo (DeCoDE) na MIT-u i glavni istraživački znanstvenik u Timu za inovacije umjetne inteligencije u Red Hatu.

Istraživači su proučavali izazove primjene postojećih VLM-ova i utvrdili da je glavno usko grlo koje ograničava njihove mogućnosti nedostatak raznolikih, visokokvalitetnih CAD skupova podataka za njihovo obučavanje.

Kako bi to riješili, nastojali su stvoriti nove podatke kako bi naučili model kako generirati CAD, koristeći proces poznat kao proširenje podataka. 

U proširenju podataka, znanstvenici obično stvaraju nove podatke nasumičnom izmjenom postojećih podataka kako bi generirali više uzoraka, često prilagođavanjem boje, veličine i oblika objekata na slikama.

Umjesto toga, istraživači s MIT-a izgradili su sustav za proširenje podataka pod nazivom GIFT (što je kratica za Geometric Inference Feedback Tuning - Podešavanje povratne veze geometrijskog zaključivanja) koji generira podatke osmišljene za poboljšanje performansi jednog VLM-a za određeni zadatak.

GIFT razvija razumijevanje snaga i slabosti modela testiranjem. Zatim koristi to znanje za generiranje podataka koji bi mogli poboljšati performanse modela na problemima generiranja CAD-a koje se muči riješiti.

GIFT traži od modela da generira kod koji rješava problem generiranja CAD-a više puta paralelno. Provjerava ispravnost tih nagađanja kako bi razumio koliko dobro model može riješiti taj problem.

Za nagađanja koja su gotovo točna, GIFT ih prilagođava kako bi postala uspješna rješenja. Sprema te „bliske promašaje“ i uspješna rješenja u novi skup podataka koji može naučiti model kako prevladati probleme koji bi ga inače spotaknuli.

Ovaj automatski sustav ne zahtijeva ljudsku intervenciju za ispravljanje pogrešaka modela.

GIFT stvara proširenja podataka iz prethodno obučenog VLM-a koristeći proces poznat kao skaliranje vremena zaključivanja. Ovaj proces omogućuje statičkom modelu, koji je već obučen, generiranje boljih izlaza bez visokih računalnih troškova ponovnog obučavanja cijelog modela.

Korištenjem skaliranja vremena zaključivanja, korisnik može odrediti koliko izračuna želi koristiti za GIFT, prilagođavajući ga svojim vremenskim i proračunskim ograničenjima.

GIFT je nadmašio nekoliko konkurentskih tehnika, generirajući CAD programe koji su bili točniji uz korištenje samo oko 20 posto manje izračuna. CAD modeli generirani VLM-ovima pomoću GIFT-a bili su bolje usklađeni s oblicima modela koji se temelje na istinitom stanju.

U budućnosti, istraživači žele proširiti GIFT tako da framework može naučiti modele generirati CAD programe koji poboljšavaju performanse i proizvodljivost 3D modela. Također žele primijeniti sustav na veće modele i raznolikije zadatke generiranja CAD-a.

Znanstveni rad možete pronaći na ovoj poveznici.