Автоматизация процесса проектирования

вступление

Целью этого исследования является создание автономного дизайнерского агента, способного имитировать человеческое творчество и самостоятельно генерировать предложения по промышленному (автомобильному) дизайну.

Агент автономного проектирования (ADA) принимает здесь форму Генеративно-состязательной сети (GAN), которая питается набором данных американских автомобилей 21-го века (2005–2016 гг.), созданным вручную. .

Сгенерированный результат может в конечном итоге стать отправной точкой для дизайнера-человека для работы над более сложными концепциями.

Обзор

Искусственный интеллект (ИИ) можно рассматривать как способность машины выполнять задачи, обычно связанные с человеческим интеллектом.

Как подмножество ИИ, Машинное обучение (ML) представляет собой процесс, в котором машина может учиться на основе опыта, основанного на анализе данных, и делать прогнозы на их основе.

Глубокое обучение (ГО) – это подмножество машинного обучения, вдохновленное структурой и функциями мозга. Он основан на алгоритмах, известных как нейронные сети (NN), которые имитируют биологическую структуру мозга.

DL повышает производительность системы за счет построения внутренних представлений данных с различной степенью абстракции. В рамках Глубокого обучения мы можем найти ежедневно увеличивающийся зоопарк различных архитектур и алгоритмов, ориентированных на решение конкретных задач.

Процесс

Обучение глубокой нейронной сети

Набор обучающих данных состоял из 1-963 примеров истинного интерфейса и 2-1022 примеров видов сбоку (все 128X128), извлеченных из Интернета со многих онлайн-сайтов. Критерии отбора в наборе данных старались сохранить минимальные различия между примерами, чтобы не сильно изменить конечный результат. (в основном размер и расположение объекта на изображении).

В качестве сети использовалась Глубокая сверточная генеративно-состязательная сеть (или DCGAN), в которой используется визуальная система, поэтому она фокусируется только на конструктивных особенностях. Идея использования GAN для получения дополнительной информации позволяет нам обрабатывать, анализировать и обрабатывать больше информации, о которой мы не можем знать сознательно, получая от нее неизвестные аналитические функции. Целью не было создание функционала. автомобиля, а изучить самые основные характерные особенности конструкции (известные как «скрытые векторы»), которые успешно характеризовали конструкции некоторых автомобилей. На самом деле то, что нейронная сеть пытается создать, является общей абстракцией общих признаков обучающих данных.

После обучения модели сетью было сгенерировано несколько предложений, некоторые из которых нечитаемы, а некоторые вообще не функциональны. Лишь немногие из них после финального экзамена соответствовали стартовым критериям.

Вывод

Автоматизация творческих процессов и принятие вычислительных решений для улучшения производственного потока в рамках дизайна станет необходимым шагом для понимания динамики современного мира. Анализ эмпирических данных позволит нам отфильтровывать невидимую информацию и принимать более обоснованные решения, благодаря чему мы будем более точными в своих проектных предположениях и, в конечном итоге, создадим более точные, эффективные и успешные продукты.

Цель проекта состояла в том, чтобы исследовать роли человека и машины в творческом процессе, однако я могу сказать больше вопросов, чем ответов:

  1. Как мы можем просто манипулировать одной конкретной конструктивной особенностью и, следовательно, ее скрытым вектором?
  2. Как модели ИИ могут дополнить или автоматизировать творческие задачи человека?
  3. Должны ли мы сейчас говорить о новом дизайне, ориентированном на человека и машину?
  4. Как ИИ может помочь дизайнерам лучше понять контекст и потребности конечных пользователей?
  5. Как синтетическое обучение может сосуществовать с современными методологиями проектирования?

Это постоянный проект с большим количеством функций, которые необходимо настроить (..), и несколько новых архитектур для ежедневного обучения различных данных. Цель представления исследования на этом раннем этапе разработки — показать первый взгляд на потенциал возможностей помощников по дизайну.

Документ DCGAN, на котором основывалось это исследование, можно найти здесь. Для реализации модели использовалась библиотека Tensorflow.

Код Synthetic Design Assistant был впервые выпущен в ноябре 2018 г.

Хосе Р. Лопес @ 2019