![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Die Grenzen des Designs werden durch die Integration hochmoderner Technologien ständig erweitert. Mit der Weiterentwicklung computergestützter Methoden erhalten Designer neue Werkzeuge, die ihr kreatives Potenzial steigern und eine beispiellose Erforschung komplexer Designräume ermöglichen.
Ein solcher innovativer Ansatz ist die Feature Space Exploration, eine Methode, die die traditionellen Einschränkungen des parametrischen Designs überwindet, indem sie die Leistungsfähigkeit des Deep Learning nutzt.
In meiner früheren Forschung an der Carnegie Mellon University habe ich mich auf die Entwicklung eines neuartigen Design-Explorations-Frameworks konzentriert, das Deep Learning nutzt, um Feature-Räume zu erstellen. Diese Räume bieten eine intuitivere und umfassendere Möglichkeit, Designlösungen zu erkunden und über die restriktive Natur des parametrischen Designs hinauszugehen. Das hier vorgestellte Projekt stellt einen bedeutenden Fortschritt in der Art und Weise dar, wie Designer mit komplexen Datensätzen interagieren und neue Möglichkeiten in ihrer Arbeit entdecken können.
Parametrisches Design ist seit langem ein Eckpfeiler des computergestützten Designs. Es ermöglicht Designern, durch die Anpassung einer Reihe vordefinierter Parameter mehrere Varianten eines Konzepts zu erstellen. Dieser Ansatz bietet zwar Flexibilität, bringt jedoch auch Einschränkungen mit sich. Der parametrische Raum beschränkt den Designer häufig auf eine enge Anzahl von Möglichkeiten, die durch die Parameter selbst definiert werden.
Dies kann die Erforschung komplexerer Beziehungen zwischen verschiedenen Designelementen behindern.
Um diese Einschränkung zu umgehen, habe ich einen alternativen Ansatz entwickelt, der sich um das dreht, was ich den „Feature Space“ nenne. Anstatt sich auf die parametrischen Variablen zu beschränken, wird der Feature Space durch das Extrahieren und Analysieren von Design-Features mithilfe von Deep-Learning-Modellen erstellt. Dieser Wechsel ermöglicht es kreativen Praktikern, einen reichhaltigeren, stärker vernetzten Design Space zu erkunden, in dem die Beziehungen zwischen den Features auf natürliche Weise zum Ausdruck kommen.
Im Rahmen dieser Studie wurde ein synthetischer Datensatz aus 15.000 3D-Modellen erstellt, die jeweils durch einen parametrischen Algorithmus mit fünf Schlüsselparametern generiert wurden. Zu diesen Parametern gehörten die Höhe des Gefäßes, die Breite der Basis, die Breite der oberen Öffnung und die Koordinaten der Kontrollpunkte, die die Form des Gefäßes definieren. Jede Designvariante wird als Vektor dargestellt, der einem bestimmten 3D-Modell entspricht.
Nachdem der Datensatz generiert war, habe ich einen Variational Autoencoder (VAE) verwendet, um den Merkmalsraum zu konstruieren. VAEs sind eine Art generatives tiefes neuronales Netzwerk, das Eingabedaten in kleinere, besser handhabbare Dimensionen abstrahiert – den sogenannten latenten Raum. Dieser latente Raum dient als Grundlage für den Merkmalsraum und erfasst die komplexen Beziehungen zwischen verschiedenen Designmerkmalen.
Eine der größten Herausforderungen bei der Erforschung sowohl des parametrischen als auch des Merkmalsraums ist die Visualisierung. Hochdimensionale Daten können schwierig zu verstehen und zu navigieren sein. Ein fünfdimensionaler Designraum macht es für Designer schwierig, Modelle zu vergleichen und die Eigenschaften zu visualisieren und zu vergleichen. Ich habe einen Prozess zur Dimensionsreduzierung eingesetzt, um den Raum auf zwei Dimensionen zu reduzieren und die Darstellung und den Vergleich der Objekte miteinander zu ermöglichen.
Das folgende Bild zeigt den gesamten Prozess der Visualisierung des Raums mithilfe des t-Distributed Stochastic Neighbour Embedding (t-SNE)-Algorithmus, einem beliebten Algorithmus zur Dimensionsreduzierung zur Visualisierung hochdimensionaler Daten.
Nachdem der Datensatz generiert war, habe ich einen Variational Autoencoder (VAE) verwendet, um den Merkmalsraum zu konstruieren. VAEs sind eine Art generatives tiefes neuronales Netzwerk, das Eingabedaten in kleinere, besser handhabbare Dimensionen abstrahiert – den sogenannten latenten Raum. Dieser latente Raum dient als Grundlage für den Merkmalsraum und erfasst die komplexen Beziehungen zwischen verschiedenen Designmerkmalen.
Nachdem der VAE trainiert war, wurde der Encoder verwendet, um die Merkmale jedes Gefäßes im Testdatensatz aus 32.768 Dimensionen, der Größe jedes voxelisierten Gefäßes, in 128-dimensionale Vektoren, die latenten Vektoren, zu extrahieren. Folglich wird der gesamte Testdatensatz der Gefäße in Vektoren dargestellt, deren Gesamtform [3.000, 128] ist.
Diese Visualisierung ist nicht nur eine technische Errungenschaft; sie ist ein wichtiges Werkzeug für Designer. Indem die Komplexität der Daten in ein visuelles Format reduziert wird, können Designer Muster, Cluster und Beziehungen innerhalb des Designraums leichter erkennen. Dies ermöglicht fundiertere Entscheidungen und eröffnet neue Wege für kreative Erkundungen.
Die Analyse der Designräume zeigt deutliche Unterschiede zwischen der Art und Weise, wie parametrische und Merkmalsräume Designlösungen darstellen und organisieren. Abbildung 6 zeigt eine 2D-Visualisierung des Merkmalsdesignraums, der vom Variational Autoencoder (VAE)-Modell für den Gefäßdatensatz generiert wurde. In dieser Abbildung sehen wir, dass Gefäße mit ähnlichen morphologischen Merkmalen auf natürliche Weise zusammen gruppiert sind.
Beispielsweise befinden sich dünnere Gefäße überwiegend oben rechts im Bild, während größere, voluminösere Gefäße die untere linke Ecke einnehmen. Dieses Clustermuster veranschaulicht die Fähigkeit des VAE-Modells, die komplexen Beziehungen zwischen den Designparametern und ihren daraus resultierenden Einfluss auf die Gefäßform zu verstehen und abzubilden.
Wenn wir hingegen den parametrischen Raum in Abbildung 7 untersuchen, bemerken wir eine andere Organisationsstruktur. Obwohl konkave Gefäße unten im Bild gruppiert sind, werden bei der Gruppierung andere wichtige Parameter wie die Höhe der Gefäße nicht vollständig berücksichtigt. Diese Einschränkung ist dem parametrischen Designansatz inhärent, der dazu neigt, jeden Parameter unabhängig zu behandeln, anstatt die komplexen Beziehungen zwischen ihnen zu untersuchen.
Infolgedessen kann der parametrische Designraum die Komplexität der Schiffsformen oft nicht vollständig erfassen, was zu einer unvollständigen Darstellung der möglichen Designergebnisse führt. Im Gegensatz dazu ermöglicht der Merkmalsraum (wie oben gezeigt) einen differenzierteren und allmählicheren Übergang in Form, Konkavität, Höhe und Breite und bietet ein umfassenderes Verständnis dafür, wie diese Merkmale interagieren und sich entwickeln.
Um diesen Vergleich zu vertiefen, wird ein Clustering-Algorithmus – Density-Based Spatial Clustering of Applications with Noise (DBSCAN) – sowohl auf den parametrischen Raum als auch auf den Merkmalsraum angewendet. Abbildung 8 veranschaulicht die Ergebnisse dieses Clustering-Prozesses. Im parametrischen Designraum habe ich insgesamt sieben Cluster identifiziert: drei große und vier kleine.
Diese Clusterung offenbart jedoch einen erheblichen Nachteil des parametrischen Raums: Er liefert nicht genügend Informationen für einen intuitiven Vergleich von Designvarianten auf lokaler Ebene. Selbst innerhalb desselben Clusters zeigt der parametrische Raum extreme Unterschiede in den Gefäßformen, was auf einen Mangel an Zusammenhalt und Kontinuität bei der Gruppierung der Designs hindeutet.
Der Feature-Design-Raum hingegen weist eine verfeinerte Clusterstruktur mit neun unterschiedlichen Clustern auf: sechs Hauptcluster und drei kleinere. Im Feature-Raum sind die Übergänge zwischen den verschiedenen Clustern fließender und spiegeln allmähliche Änderungen der Formen wider, während wir uns durch den Raum (lokale Änderungen) und durch die gesamte Visualisierung (globale Änderungen) bewegen. Beispielsweise befinden sich kürzere Gefäße durchgängig oben, während größere Gefäße den unteren Abschnitt einnehmen.
Wenn wir uns horizontal durch den Raum bewegen, beobachten wir außerdem einen Wechsel von konkaven zu konvexen Formen, was eine klare und intuitive Darstellung davon bietet, wie sich die Gefäßformen im Verhältnis zu ihren Merkmalen verändern. Diese zusammenhängende Gruppierung im Merkmalsraum ermöglicht es Designern, fundiertere und lokalisiertere Vergleiche zwischen ähnlichen Designalternativen anzustellen, was den Design-Erkundungsprozess erheblich verbessert.
Diese Arbeit zeigt, dass Deep Learning den Design-Explorationsprozess erheblich verbessern kann und ein neues Paradigma bietet, das über die Grenzen der parametrischen Modellierung hinausgeht. Indem ich den Fokus von einzelnen Parametern auf komplexe Merkmalsbeziehungen verlagerte, entwickelte ich eine Methode, die eine umfassendere und intuitivere Exploration von Designräumen ermöglicht.
Feature Space Exploration stellt einen bedeutenden Fortschritt im Bereich des computergestützten Designs dar. Durch das Überwinden der Beschränkungen der parametrischen Modellierung werden neue Ebenen der Kreativität und Innovation freigesetzt und Designern werden Werkzeuge zur Verfügung gestellt, die ihnen mehr Freiheit und Präzision bei ihrer Arbeit bieten.
Dieser Ansatz verändert nicht nur die Art und Weise, wie Designer mit ihren Tools interagieren, sondern eröffnet auch neue Möglichkeiten für das, was erreicht werden kann. Da sich die Technologie weiterentwickelt, wird die Integration von Deep Learning und Computational Design zweifellos eine entscheidende Rolle bei der Gestaltung der Zukunft der Kreativität spielen.
Weitere Einzelheiten oder den daraus resultierenden Merkmalsraum können Sie auf der Projektwebsite https://tcabezon.github.io/3Dexploration/ oder im Forschungsartikel „Feature Space Exploration als Alternative zur Design Space Exploration jenseits des parametrischen Raums“ erfahren, der den gesamten Forschungsprozess beschreibt, der diesem Projekt zugrunde liegt.