Mühendisler genellikle yeni tasarımlar üretmek için görsel-dil modelleri kullanır, örneğin uçak veya otomobil bileşenleri için. Bu bileşenlerin gerçekçi durumlarda nasıl performans göstereceğini simüle etmek için, bu tasarımların 3D modellerini oluşturmak üzere kanıtlanmış bilgisayar destekli tasarım (CAD) yazılımlarını kullanarak sanal çarpışma veya dayanıklılık testlerine tabi tutarlar.
MIT ve diğer yerlerden araştırmacılar, artık bir görsel-dil modelini otomatik olarak 2D tasarımları CAD programlarına dönüştürmeyi öğretebilen bir sistem geliştirdiler. Bu sistem, diğer yaklaşımlara kıyasla çok daha doğru ve işlevsel sonuçlar elde ederken, yalnızca bir kısmını hesaplama gücü kullanmaktadır.
AI destekli CAD üretiminin performansını ve verimliliğini artırarak, bu teknik hızlı prototipleme sürecini kolaylaştırabilir ve maliyetleri azaltabilir. Ayrıca mühendislerin, aksi takdirde gözden kaçırabilecekleri faydalı tasarım seçimlerini belirlemelerine yardımcı olabilir.
Sistem, bir 2D görüntüyü CAD programına dönüştürmeye çalışırken modelin yeteneklerine dayalı olarak yeni veriler üretir. Çerçeve, modelin hatalarını düzeltir ve bunları başarılı çözümleriyle birlikte bir veri setine dahil eder.
Bu verileri kullanarak, modele belirli hataları nasıl düzelteceğini ve kendi başına zorlanacağı karmaşık sorunlarla nasıl başa çıkacağını öğretir.
“Mühendislerin, çerçevemizi düşük performans gösteren bir CAD modeline yönlendirebilmelerini, bir hesap bütçesi belirlemelerini ve sistemin devralmasına izin vermelerini istiyoruz — modelin kendi hatalarını daha iyi eğitim verisi haline dönüştürmesini sağlamak,” diyor baş yazar Giorgio Giannone, MIT'deki Tasarım Hesaplama ve Dijital Mühendislik (DeCoDE) Laboratuvarı'nda araştırma üyesi ve Red Hat'teki AI İnovasyon Ekibi'nde baş araştırmacı.
Giannone, makalede; MIT'de mekanik mühendislik yüksek lisans öğrencisi Anna Claire Doris; MIT'de doktora sonrası araştırmacı Amin Heyrani Nobari; RedHat'tan Kai Xu; ve kıdemli yazarlar IBM'deki Core AI direktörü ve MIT-IBM Bilgisayar Araştırma Laboratuvarı'nda baş araştırmacı Akash Srivastava ile MIT'de mekanik mühendislik doçenti, DeCoDE Laboratuvarı lideri ve MIT-IBM Bilgisayar Araştırma Laboratuvarı'nda baş araştırmacı Faez Ahmed ile birlikte yer alıyor. Araştırma, Uluslararası Makine Öğrenimi Konferansı'nda sunuldu.
“Etrafımızdaki neredeyse her fiziksel ürün, uçaklardan ev aletlerine kadar, bir CAD modeli olarak hayatına başlar. Endüstri ekipleri, bu tasarımların oluşturulmasını hızlandırmaya yardımcı olabilecek AI'lar için hevesli, ancak günümüz modelleri genellikle pratikte yetersiz basit şekiller üretiyor. Bu çalışmada beni heyecanlandıran şey, birçok görüntüden CAD koduna modelin kendini geliştirmesi için bir yol bulması; kendi hatalarından öğrenmesi ve daha fazla insan yapımı veriyi beklememesi — bu, güvenilir AI tasarım araçlarını günlük mühendisliğe çok daha yakın hale getiriyor,” diyor Ahmed.
Model-bilgilendirilmiş veriler
Araştırmacılar, CAD üretimi için görsel-dil modelleri (VLM'ler) oluşturma üzerine çalışıyorlar. Bu VLM'ler, bir 2D görüntü ve bazı tanımlayıcı metin alır ve bir fiziksel nesnenin 3D modelini oluşturmak için bir CAD yazılım programında çalıştırılabilecek Python kodu üretir.
Bu görev için mevcut VLM'lerin dağıtımındaki zorlukları incelediler ve yeteneklerini sınırlayan ana darboğazın, onları eğitmek için çeşitli, yüksek kaliteli CAD veri setlerinin eksikliği olduğunu belirlediler.
Bu durumu düzeltmek için, bir modelin CAD üretimini nasıl gerçekleştireceğini öğretmek amacıyla veri artırma süreci olarak bilinen bir süreç kullanarak yeni veriler yaratmayı hedeflediler.
Veri artırmada, bilim insanları genellikle mevcut verileri rastgele değiştirerek daha fazla örnek üretir; genellikle görüntülerdeki nesnelerin renk, boyut ve şekillerini ayarlayarak.
Bunun yerine, MIT araştırmacıları, belirli bir görev için bir VLM'nin performansını artırmak üzere tasarlanmış veriler üreten GIFT (Geometrik Çıkarım Geri Bildirim Ayarı) adlı bir veri artırma sistemi geliştirdiler.
GIFT, modeli test ederek modelin güçlü ve zayıf yönlerini anlamaya çalışır. Ardından, bu bilgiyi kullanarak modelin çözmekte
