Az MIT rendszere pontosabb 3D modelleket készít 2D tervekből
Az MIT és partnerei olyan rendszert fejlesztettek, amely látás és nyelvi modelleket tanít 2D képekből pontosabb CAD programokat készíteni. A GIFT nevű megoldás a modell hibáiból állít elő új tanítóadatokat, és a kutatók szerint a versengő módszereknél nagyobb pontosságot ért el, körülbelül 20 százaléknyi számítási kapacitás felhasználásával.
- A GIFT 2D képekből CAD programokat készítő modelleket tanít.
- A rendszer a modell majdnem jó és sikeres megoldásaiból hoz létre új adatokat.
- A módszer körülbelül 20 százaléknyi számítást használt a versengő technikákhoz képest.
- A kutatók a rendszert nagyobb modellekre és több CAD feladatra is kiterjesztenék.
A 2D tervtől a tesztelhető 3D modellig
A mérnökök gyakran látás és nyelvi modelleket használnak új tervekkel, például repülőgép vagy autóalkatrészekkel kapcsolatos feladatokra. A tervek működésének vizsgálatához számítógépes tervezőszoftverrel, vagyis CAD rendszerrel készítenek 3D modelleket, amelyeken virtuális törésteszteket és tartóssági vizsgálatokat futtathatnak.
Az MIT, az IBM, a Red Hat és más intézmények kutatói olyan keretrendszert dolgoztak ki, amely automatizálja ezt a folyamatot. A rendszer egy 2D képet és leíró szöveget kap, majd Python kódot állít elő. A kód CAD szoftverben futtatható, és egy fizikai tárgy 3D modelljét hozza létre.
A kutatók szerint a jelenlegi modellek egyik fő korlátja a változatos, jó minőségű CAD tanítóadatok hiánya. A gyakorlatban ez azt jelenti, hogy a modellek gyakran egyszerű formákat készítenek, amelyek mérnöki felhasználásra nem megfelelőek.
A GIFT a modell hibáiból tanul
Az új rendszer neve GIFT, amely a Geometric Inference Feedback Tuning rövidítése. A hagyományos adatkiegészítés során meglévő adatok módosításával hoznak létre új mintákat, például az objektumok színének, méretének vagy alakjának megváltoztatásával. A GIFT ezzel szemben először felméri, hogy a modell milyen CAD feladatokat tud megoldani, és melyek okoznak neki gondot.
A rendszer ugyanarra a feladatra több alkalommal, párhuzamosan kér kódot a modelltől, majd ellenőrzi a válaszok helyességét. A majdnem jó megoldásokat sikeres változatokká alakítja, ezeket pedig az új adathalmazba menti. Így a modell olyan hibák javítását gyakorolhatja, amelyek rendszeresen megakasztják.
Giorgio Giannone, a kutatás vezető szerzője és az MIT DeCoDE laborjának kutatási munkatársa szerint a cél az, hogy a mérnökök egy gyengébben teljesítő CAD modellt, valamint egy számítási keretet adhassanak a rendszernek, amely ezután a modell hibáit jobb tanítóadatokká alakítja. A MIT News beszámolója szerint a folyamat nem igényel emberi beavatkozást a hibák kijavításához.
Kevesebb számítás, pontosabb CAD programok
A GIFT úgynevezett következtetési idejű skálázást használ. Ez lehetővé teszi, hogy egy már betanított, statikus modell jobb kimeneteket állítson elő anélkül, hogy a teljes modellt újra kellene tanítani. A felhasználó meghatározhatja, mennyi számítást fordít a rendszerre, így az eljárás az idő és a költségkerethez igazítható.
A MIT News szerint a GIFT több összehasonlított módszert is felülmúlt. A rendszer pontosabb CAD programokat generált, miközben körülbelül 20 százaléknyi számítást használt. A GIFT-tel támogatott látás és nyelvi modellek által létrehozott CAD modellek jobban igazodtak a referencia, vagyis a helyesnek tekintett modellek alakjához.
Faez Ahmed, az MIT gépészmérnöki tanszékének docense szerint a geometriai pontosság azért volt a kiindulópont, mert ha egy 3D forma geometriája hibás, az a további jellemzőket is befolyásolja. A kutatók a rendszert később olyan CAD programok előállítására is kiterjesztenék, amelyek javítják a 3D modellek teljesítményét és gyárthatóságát. Emellett nagyobb modelleken és változatosabb CAD feladatokon is kipróbálnák.
A kutatást az International Conference on Machine Learning konferencián mutatták be. A fejlesztés a gyors prototípus készítését rövidítheti, a számítási igény csökkentése pedig olyan mérnöki csapatok számára is hasznos lehet, amelyek korlátozott idővel vagy költségkerettel dolgoznak.
