6 мин. чтения
10/20/2023 11:47:00 AM

Чтобы преуспеть в инженерном дизайне, Generative AI должен сначала научиться инновациям

Article Preview Image Инженеры MIT обучили несколько моделей искусственного интеллекта на тысячах велосипедных рам, полученных из набора данных с полным велосипедным дизайном, показанным здесь цветовым кодированием в стиле велосипеда.Кредит: Массачусетский технологический институт

Но, как говорят инженеры MIT в новом исследовании, сходства недостаточно, если вы хотите по -настоящему внедрить инженерные задачи.

«Глубокие генеративные модели (DGMS) очень многообещают, но также и по своей природе ошибочны», - говорит автор исследования Лайл Регенветтер, аспирант -машиностроительный инженер в MIT.«Цель этих моделей - имитировать набор данных. Но, как инженеры и дизайнеры, мы часто не хотим создавать дизайн, который уже существует».

Он и его коллеги утверждают, что, если инженеры -механики хотят помощи со стороны ИИ для создания новых идей и дизайнов, им придется сначала переориентировать эти модели за пределами «статистического сходства».

«Производительность многих из этих моделей явно связана с тем, как статистически схожа сгенерированная выборка с тем, что модель уже видела»,-говорит соавтор Фейз Ахмед, доцент кафедры машиностроения в MIT.«Но в дизайне, быть другим может быть важным, если вы хотите внедрять инновации».

В своем исследовании Ахмед и Регенветтер раскрывают ловушки глубоких генеративных моделей, когда им поручено решение проблем инженерного проектирования.В тематическом исследовании дизайна велосипедных рамков команда показывает, что эти модели в конечном итоге генерируют новые рамки, которые имитируют предыдущие проекты, но колеблются в инженерных показателях и требованиях.

Когда исследователи представили ту же проблему велосипедной рамки DGMS, которую они специально разработали с ориентированными на инженерные цели, а не только статистическое сходство, эти модели создали более инновационные, более высокие рамки.

Результаты команды показывают, что ориентированные на сходство модели искусственного интеллекта не совсем переводятся при применении к инженерным проблемам.Но, поскольку исследователи также подчеркивают в своем исследовании, с некоторым тщательным планированием соответствующих задач показателей, модели ИИ могут быть эффективным дизайном «совместным пилотом».

«Речь идет о том, как ИИ может помочь инженерам быть лучше и быстрее создавать инновационные продукты», - говорит Ахмед.«Чтобы сделать это, мы должны сначала понять требования. Это один шаг в этом направлении».

Новое исследование команды появилось недавно в Интернете и будет опубликовано в декабрьском печатном издании журнала Computer Advoad Design.Исследование представляет собой сотрудничество между компьютерными учеными в лаборатории MIT-IBM Watson AI и инженерами-механиками в лаборатории DeCode MIT.Соавторы исследования включают Акаша Шривастава и Дэн Гутройн в лаборатории MIT-IBM Watson AI.

Анимация, изображающая преобразования в общих велосипедах.Кредит: Массачусетский технологический институт

Как пишут Ахмед и Регенветтер, DGM являются «мощными учениками, которые могут похвастаться непревзойденной способностью» обрабатывать огромные объемы данных.DGM является широким термином для любой модели машинного обучения, которая обучена изучению распределения данных, а затем использует их для генерации нового, статистически сходного контента.

Чрезвычайно популярный CHATGPT является одним из типов глубокой генеративной модели, известной как большая языковая модель, или LLM, которая включает в себя возможности обработки естественного языка в модель, чтобы приложение генерировало реалистичные образы и речь в ответ на запросы Лернгал.Другие популярные модели для генерации изображений включают Dall-E и стабильную диффузию.

Из -за их способности учиться на данных и генерировать реалистичные образцы, DGMS все чаще применяется в нескольких инженерных областях.Дизайнеры использовали глубокие генеративные модели для составления новых авиационных рамок, конструкций метаматериала и оптимальной геометрии для мостов и автомобилей.Но по большей части модели имитировали существующие дизайны, не улучшая производительность в существующих дизайнах.

«Дизайнеры, которые работают с DGMS, не хватают этой вишне на вершине, что регулирует цель обучения модели, чтобы сосредоточиться на требованиях к проектированию», - говорит Регенветтер.«Итак, люди в конечном итоге генерируют дизайн, которые очень похожи на набор данных».

В новом исследовании он излагает основные ловушки в применении DGMS к инженерным задачам и показывает, что фундаментальная цель стандартных DGMS не учитывает конкретные требования к проектированию.Чтобы проиллюстрировать это, команда вызывает простой случай дизайна велосипедных рамков и демонстрирует, что проблемы могут возникнуть еще на начальном этапе обучения.

Когда модель учится на тысячах существующих велосипедных рамок различных размеров и форм, она может рассмотреть две кадры аналогичных измерений, чтобы иметь сходную производительность, когда на самом деле небольшое отключение в одном кадре - слишком малая, чтобы зарегистрироваться как значительное различие в статистическом сходствеМетрики - делают рамку намного слабее, чем другой, визуально похожая рама.

Исследователи перенесли пример велосипеда вперед, чтобы увидеть, какие проекты действительно генерируют DGM после того, как узнали из существующих дизайнов.Сначала они проверили обычную «ванильную» генеративную состязательную сеть или GAN - модель, которая широко использовалась в синтезе изображения и текста, и настроена просто для создания статистически сходного контента.Они обучили модель на наборе данных из тысяч велосипедных рам, включая коммерчески изготовленные проекты и менее обычные одноразовые рамки, разработанные любителями.

Как только модель узнала из данных, исследователи попросили ее создать сотни новых велосипедных рамок.Модель создала реалистичные дизайны, которые напоминали существующие рамки.Но ни один из дизайнов не показал значительного улучшения производительности, а некоторые были даже немного уступают, с более тяжелыми, менее структурно звуковыми рамами.

Затем команда провела один и тот же тест с двумя другими DGM, которые были специально разработаны для технических задач.Первая модель-это та, которую Ахмед ранее разработал для создания высокопроизводительных конструкций аэродинамического профиля.Он создал эту модель, чтобы расставить приоритеты статистического сходства, а также функциональную производительность.

Применительно к задаче рамки велосипеда, эта модель создала реалистичные конструкции, которые также были легче и сильнее, чем существующие конструкции.Но это также вызвало физически «недействительные» рамы, с компонентами, которые не совсем подходили или не совпадали физически невозможными способами.

«Мы видели дизайны, которые были значительно лучше, чем набор данных, но также и конструкции, которые были геометрически несовместимыми, потому что модель не была сосредоточена на ограничениях проектирования сознания», - говорит Регенветтер.

Последняя модель, которую тестировала команда, была той, которую RegenWetter создал для создания новых геометрических структур.Эта модель была разработана с теми же приоритетами, что и предыдущие модели, с добавленным ингредиентом конструктивных ограничений и приоритетными физически жизнеспособными кадрами, например, без отключений или перекрывающихся полос.Эта последняя модель создала самые высокоэффективные конструкции, которые также были физически осуществимы.

«Мы обнаружили, что когда модель выходит за рамки статистического сходства, она может придумать дизайн, которые лучше, чем те, которые уже существуют», - говорит Ахмед.«Это доказательство того, что ИИ может сделать, если он явно обучен задачу дизайна».

Например, если DGM могут быть построены с другими приоритетами, такими как производительность, ограничения дизайна и новизна, Ахмед предвидит «многочисленные инженерные области, такие как молекулярный дизайн и гражданская инфраструктура, принесут большую пользу. Полив свет на потенциальные ловушки полагатьсяисключительно на статистическое сходство, мы надеемся вдохновить новые пути и стратегии в генеративных приложениях ИИ за пределами мультимедиа ».

Больше информации: Lyle Regenwetter et al. Помимо статистического сходства: переосмысление метрик для глубоких генеративных моделей в инженерном дизайне, компьютерный дизайн (2023).Doi: 10.1016/j.cad.2023.103609.hdl.handle.net/1721.1/152444

Эта история переиздана любезно предоставлена MIT News (web.mit.edu/newsoffice/), популярный сайт, который охватывает новости о исследованиях, инновациях и преподавании MIT.

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Триод для беспроводной связи и оптически управляемых вычислений

5/18/2024 · 6 мин. чтения

Триод для беспроводной связи и оптически управляемых вычислений

Исследователи изучают левитирующие дизельные и биодизельные капли для более эффективных биодвигателей

5/16/2024 · 6 мин. чтения

Исследователи изучают левитирующие дизельные и биодизельные капли для более эффективных биодвигателей