![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Los límites del diseño se amplían constantemente gracias a la integración de tecnologías de vanguardia. A medida que avanzan los métodos computacionales, los diseñadores cuentan con nuevas herramientas que mejoran su potencial creativo, lo que les permite explorar espacios de diseño complejos sin precedentes.
Uno de esos enfoques innovadores es la exploración del espacio de características, un método que trasciende las limitaciones tradicionales del diseño paramétrico al aprovechar el poder del aprendizaje profundo.
En mi investigación anterior en la Universidad Carnegie Mellon, me concentré en desarrollar un nuevo marco de exploración de diseño que aprovecha el aprendizaje profundo para crear espacios de características. Estos espacios ofrecen una forma más intuitiva y completa de explorar soluciones de diseño, yendo más allá de la naturaleza restrictiva del diseño paramétrico. El proyecto que se presenta aquí marca un avance significativo en la forma en que los diseñadores pueden interactuar con conjuntos de datos complejos y descubrir nuevas posibilidades en su trabajo.
El diseño paramétrico ha sido durante mucho tiempo una piedra angular del diseño computacional, ya que permite a los diseñadores generar múltiples variaciones de un concepto modificando un conjunto de parámetros predefinidos. Sin embargo, si bien este enfoque ofrece flexibilidad, también impone limitaciones. El espacio paramétrico a menudo restringe al diseñador a un conjunto estrecho de posibilidades, definidas por los propios parámetros.
Esto puede dificultar la exploración de relaciones más complejas entre diferentes elementos de diseño.
Para abordar esta limitación, desarrollé un enfoque alternativo centrado en lo que llamo el "espacio de características". En lugar de limitarse a las variables paramétricas, el espacio de características se crea extrayendo y analizando características de diseño mediante modelos de aprendizaje profundo. Este cambio permite a los profesionales creativos explorar un espacio de diseño más rico e interconectado, donde las relaciones entre las características se expresan de forma natural.
Este estudio implicó la creación de un conjunto de datos sintéticos que consta de 15.000 modelos 3D, cada uno generado a través de un algoritmo paramétrico con cinco parámetros clave. Estos parámetros incluían la altura del vaso, el ancho de la base, el ancho de la abertura superior y las coordenadas de los puntos de control que definen la forma del vaso. Cada variante de diseño se representa como un vector, que corresponde a un modelo 3D específico.
Una vez generado el conjunto de datos, utilicé un codificador automático variacional (VAE) para construir el espacio de características. Los VAE son un tipo de red neuronal generativa profunda que abstrae los datos de entrada en dimensiones más pequeñas y manejables, conocidas como espacio latente. Este espacio latente sirve como base para el espacio de características, capturando las relaciones complejas entre las diferentes características del diseño.
Uno de los desafíos clave a la hora de explorar los espacios paramétricos y de características es la visualización. Los datos de alta dimensión pueden ser difíciles de comprender y de navegar. Un espacio de diseño de cinco dimensiones dificulta que los diseñadores comparen modelos y visualicen y comparen las características. Utilicé un proceso de reducción de dimensionalidad para reducir el espacio a dos dimensiones y permitir que los objetos se graficaran y compararan entre sí.
La imagen a continuación muestra el proceso general de visualización del espacio utilizando el algoritmo t-Distributed Stochastic Neighbour Embedding (t-SNE), un popular algoritmo de reducción de dimensionalidad para visualizar datos de alta dimensión.
Una vez generado el conjunto de datos, utilicé un codificador automático variacional (VAE) para construir el espacio de características. Los VAE son un tipo de red neuronal generativa profunda que abstrae los datos de entrada en dimensiones más pequeñas y manejables, conocidas como espacio latente. Este espacio latente sirve como base para el espacio de características, capturando las relaciones complejas entre las diferentes características del diseño.
Una vez entrenado el VAE, se utilizó el codificador para extraer las características de cada vaso en el conjunto de datos de prueba de 32.768 dimensiones, el tamaño de cada vaso voxelizado, en vectores de 128 dimensiones, los vectores latentes. En consecuencia, todo el conjunto de datos de prueba de los vasos se representa en vectores cuya forma total es [3.000, 128].
Esta visualización no es solo un logro técnico, sino una herramienta crucial para los diseñadores. Al reducir la complejidad de los datos a un formato visual, los diseñadores pueden identificar patrones, grupos y relaciones más fácilmente dentro del espacio de diseño. Esto permite una toma de decisiones más informada y abre nuevas vías para la exploración creativa.
El análisis de los espacios de diseño destaca diferencias significativas entre la forma en que los espacios paramétricos y de características representan y organizan las soluciones de diseño. La Figura 6 presenta una visualización en 2D del espacio de diseño de características generado por el modelo de Autocodificador Variacional (VAE) para el conjunto de datos de buques. En esta figura, observamos que los buques con características morfológicas similares se agrupan de forma natural.
Por ejemplo, los vasos más delgados se ubican predominantemente en la parte superior derecha de la imagen, mientras que los vasos más grandes y voluminosos ocupan la esquina inferior izquierda. Este patrón de agrupamiento ilustra la capacidad del modelo VAE para comprender y mapear las relaciones complejas entre los parámetros de diseño y su influencia resultante en la forma del vaso.
Por el contrario, al examinar el espacio paramétrico en la Figura 7, observamos una estructura organizativa diferente. Aunque los vasos cóncavos están agrupados en la parte inferior de la imagen, la agrupación no tiene en cuenta plenamente otros parámetros críticos, como la altura de los vasos. Esta limitación es inherente al enfoque de diseño paramétrico, que tiende a tratar cada parámetro de forma independiente en lugar de explorar las intrincadas relaciones entre ellos.
Como resultado, el espacio de diseño paramétrico a menudo no logra capturar la complejidad total de las formas de los vasos, lo que lleva a una representación incompleta de los posibles resultados del diseño. Por el contrario, el espacio de características (como se muestra arriba) permite una transición más matizada y gradual en la forma, la concavidad, la altura y el ancho, lo que proporciona una comprensión más completa de cómo interactúan y evolucionan estas características.
Para profundizar en esta comparación, se aplica un algoritmo de agrupamiento (Density-Based Spatial Clustering of Applications with Noise, DBSCAN) tanto al espacio paramétrico como al de características. La figura 8 ilustra los resultados de este proceso de agrupamiento. En el espacio de diseño paramétrico, identifiqué un total de siete agrupamientos: tres grandes y cuatro pequeños.
Sin embargo, esta agrupación revela un inconveniente importante del espacio paramétrico: no proporciona información suficiente para comparar de forma intuitiva las variantes de diseño a escala local. Incluso dentro de la misma agrupación, el espacio paramétrico muestra variaciones extremas en las formas de los vasos, lo que indica una falta de cohesión y continuidad en la forma en que se agrupan los diseños.
Por otra parte, el espacio de diseño de características presenta una estructura de agrupamiento más refinada con nueve grupos distintos: seis grupos principales y tres más pequeños. En el espacio de características, las transiciones entre los diferentes grupos son más suaves, lo que refleja cambios graduales en las formas a medida que nos movemos por el espacio (cambios locales) y en toda la visualización (cambios globales). Por ejemplo, los vasos más cortos se ubican de manera constante en la parte superior, mientras que los vasos más altos ocupan la sección inferior.
Además, al desplazarnos horizontalmente por el espacio, observamos un cambio de formas cóncavas a convexas, lo que ofrece una representación clara e intuitiva de cómo cambian las formas de los vasos en relación con sus características. Esta agrupación cohesiva en el espacio de características permite a los diseñadores hacer comparaciones más informadas y localizadas entre alternativas de diseño similares, lo que mejora significativamente el proceso de exploración del diseño.
Este trabajo demuestra que el aprendizaje profundo puede mejorar significativamente el proceso de exploración del diseño, ofreciendo un nuevo paradigma que va más allá de las limitaciones del modelado paramétrico. Al cambiar el enfoque de los parámetros individuales a las relaciones de características complejas, desarrollé un método que permite una exploración más completa e intuitiva de los espacios de diseño.
Feature Space Exploration representa un avance significativo en el campo del diseño computacional. Al ir más allá de las limitaciones del modelado paramétrico, se desbloquean nuevos niveles de creatividad e innovación, lo que brinda a los diseñadores herramientas que ofrecen mayor libertad y precisión en su trabajo.
Este enfoque no solo cambia la forma en que los diseñadores interactúan con sus herramientas, sino que también abre nuevas posibilidades de lo que se puede lograr. A medida que la tecnología continúa evolucionando, la integración del aprendizaje profundo y el diseño computacional sin duda desempeñará un papel crucial en la configuración del futuro de la creatividad.
Para obtener más detalles o explorar el espacio de características resultante, consulte el sitio web del proyecto: https://tcabezon.github.io/3Dexploration/ o el artículo de investigación: "Exploración del espacio de características como alternativa para la exploración del espacio de diseño más allá del espacio paramétrico", que incluye todo el proceso de investigación que está detrás de este proyecto.