Les limites du design sont constamment repoussées par l'intégration de technologies de pointe. À mesure que les méthodes informatiques progressent, les concepteurs disposent de nouveaux outils qui améliorent leur potentiel créatif, leur permettant ainsi d'explorer des espaces de conception complexes sans précédent.  L’exploration de l’espace des fonctionnalités est l’une de ces approches innovantes. Il s’agit d’une méthode qui transcende les limites traditionnelles de la conception paramétrique en exploitant la puissance de l’apprentissage profond.  Dans mes recherches passées à l’Université Carnegie Mellon, je me suis concentré sur le développement d’un nouveau cadre d’exploration de conception qui exploite l’apprentissage profond pour créer des espaces de fonctionnalités. Ces espaces offrent une manière plus intuitive et plus complète d’explorer des solutions de conception, allant au-delà de la nature restrictive de la conception paramétrique. Le projet présenté ici marque une avancée significative dans la façon dont les concepteurs peuvent interagir avec des ensembles de données complexes et découvrir de nouvelles possibilités dans leur travail.   Des paramètres aux fonctionnalités : une nouvelle approche de l'espace de conception  La conception paramétrique est depuis longtemps une pierre angulaire de la conception informatique, permettant aux concepteurs de générer de multiples variantes d'un concept en modifiant un ensemble de paramètres prédéfinis. Cependant, si cette approche offre une certaine flexibilité, elle impose également des limites. L'espace paramétrique restreint souvent le concepteur à un ensemble restreint de possibilités, définies par les paramètres eux-mêmes.  Cela peut entraver l’exploration de relations plus complexes entre différents éléments de conception.  Pour remédier à cette limitation, j'ai développé une approche alternative centrée sur ce que j'appelle « l'espace des caractéristiques ». Au lieu de se limiter aux variables paramétriques, l'espace des caractéristiques est créé en extrayant et en analysant les caractéristiques de conception à l'aide de modèles d'apprentissage profond. Ce changement permet aux praticiens créatifs d'explorer un espace de conception plus riche et plus interconnecté, où les relations entre les caractéristiques s'expriment naturellement.    L'expérience : construire les espaces de conception  Cette étude a nécessité la création d'un ensemble de données synthétiques composé de 15 000 modèles 3D, chacun généré par un algorithme paramétrique avec cinq paramètres clés. Ces paramètres comprenaient la hauteur du récipient, la largeur de la base, la largeur de l'ouverture supérieure et les coordonnées des points de contrôle qui définissent la forme du récipient. Chaque variante de conception est représentée sous forme de vecteur, correspondant à un modèle 3D spécifique.   Une fois l'ensemble de données généré, j'ai utilisé un autoencodeur variationnel (VAE) pour construire l'espace des caractéristiques. Les VAE sont un type de réseau neuronal profond génératif qui résume les données d'entrée dans des dimensions plus petites et plus faciles à gérer, appelées espace latent. Cet espace latent sert de base à l'espace des caractéristiques, capturant les relations complexes entre les différentes caractéristiques de conception.    Visualisation : combler le fossé entre les données de grande dimension et la conception  L'un des principaux défis de l'exploration des espaces paramétriques et fonctionnels est la visualisation. Les données de grande dimension peuvent être difficiles à comprendre et à parcourir. Un espace de conception à cinq dimensions rend difficile pour les concepteurs de comparer les modèles et de visualiser et comparer les caractéristiques. J'ai utilisé un processus de réduction de dimensionnalité pour réduire l'espace à deux dimensions et permettre aux objets d'être tracés et comparés les uns aux autres.  L'image ci-dessous montre le processus global de visualisation de l'espace à l'aide de l'algorithme t-Distributed Stochastic Neighbour Embedding (t-SNE), un algorithme de réduction de dimensionnalité populaire pour la visualisation de données à haute dimension.   Une fois l'ensemble de données généré, j'ai utilisé un autoencodeur variationnel (VAE) pour construire l'espace des caractéristiques. Les VAE sont un type de réseau neuronal profond génératif qui résume les données d'entrée dans des dimensions plus petites et plus faciles à gérer, appelées espace latent. Cet espace latent sert de base à l'espace des caractéristiques, capturant les relations complexes entre les différentes caractéristiques de conception.  Une fois le VAE formé, l'encodeur a été utilisé pour extraire les caractéristiques de chaque vaisseau dans l'ensemble de données de test à partir de 32 768 dimensions, la taille de chaque vaisseau voxélisé, dans des vecteurs de 128 dimensions, les vecteurs latents. Par conséquent, l'ensemble des données de test des vaisseaux est représenté dans des vecteurs dont la forme totale est [3 000, 128].   Cette visualisation n’est pas seulement une prouesse technique : c’est un outil essentiel pour les concepteurs. En réduisant la complexité des données dans un format visuel, les concepteurs peuvent plus facilement identifier les modèles, les groupes et les relations au sein de l’espace de conception. Cela permet une prise de décision plus éclairée et ouvre de nouvelles perspectives d’exploration créative.   Comparaison : espace paramétrique et espace des caractéristiques  L'analyse des espaces de conception met en évidence des différences significatives entre la manière dont les espaces paramétriques et les espaces de caractéristiques représentent et organisent les solutions de conception. La figure 6 présente une visualisation 2D de l'espace de conception des caractéristiques généré par le modèle Variational Autoencoder (VAE) pour l'ensemble de données des vaisseaux. Dans cette figure, nous observons que les vaisseaux ayant des caractéristiques morphologiques similaires sont naturellement regroupés.  Par exemple, les vaisseaux les plus fins sont principalement situés dans le coin supérieur droit de l'image, tandis que les vaisseaux plus gros et plus volumineux occupent le coin inférieur gauche. Ce modèle de regroupement illustre la capacité du modèle VAE à comprendre et à cartographier les relations complexes entre les paramètres de conception et leur influence sur la forme du vaisseau.   À l’inverse, en examinant l’espace paramétrique de la figure 7, nous remarquons une structure organisationnelle différente. Bien que les vaisseaux concaves soient regroupés en bas de l’image, le regroupement ne prend pas pleinement en compte d’autres paramètres critiques tels que la hauteur des vaisseaux. Cette limitation est inhérente à l’approche de conception paramétrique, qui tend à traiter chaque paramètre indépendamment plutôt que d’explorer les relations complexes entre eux.  En conséquence, l'espace de conception paramétrique ne parvient souvent pas à saisir toute la complexité des formes des vaisseaux, ce qui conduit à une représentation incomplète des résultats de conception possibles. En revanche, l'espace des caractéristiques (comme illustré ci-dessus) permet une transition plus nuancée et progressive de la forme, de la concavité, de la hauteur et de la largeur, offrant une compréhension plus complète de la manière dont ces caractéristiques interagissent et évoluent.   Pour approfondir cette comparaison, un algorithme de clustering, le clustering spatial basé sur la densité des applications avec bruit (DBSCAN), est appliqué à la fois aux espaces paramétrique et fonctionnel. La figure 8 illustre les résultats de ce processus de clustering. Dans l'espace de conception paramétrique, j'ai identifié un total de sept clusters : trois grands et quatre petits.  Cependant, ce regroupement révèle un inconvénient majeur de l'espace paramétrique : il ne fournit pas suffisamment d'informations pour comparer intuitivement les variantes de conception à l'échelle locale. Même au sein d'un même groupe, l'espace paramétrique montre des variations extrêmes dans les formes des vaisseaux, ce qui indique un manque de cohésion et de continuité dans la manière dont les conceptions sont regroupées.   D'autre part, l'espace de conception des caractéristiques présente une structure de clustering plus raffinée avec neuf clusters distincts : six clusters majeurs et trois plus petits. Dans l'espace des caractéristiques, les transitions entre les différents clusters sont plus fluides, reflétant des changements progressifs dans les formes à mesure que nous nous déplaçons dans l'espace (changements locaux) et sur l'ensemble de la visualisation (changements globaux). Par exemple, les vaisseaux les plus courts sont systématiquement situés en haut, tandis que les vaisseaux les plus hauts occupent la partie inférieure.  De plus, en se déplaçant horizontalement dans l'espace, nous observons un passage des formes concaves aux formes convexes, offrant une représentation claire et intuitive de la façon dont les formes des récipients changent par rapport à leurs caractéristiques. Ce regroupement cohérent dans l'espace des caractéristiques permet aux concepteurs de faire des comparaisons plus éclairées et localisées entre des alternatives de conception similaires, améliorant considérablement le processus d'exploration de la conception.   L'avenir de l'exploration du design  Ce travail démontre que l'apprentissage profond peut améliorer considérablement le processus d'exploration de la conception, en offrant un nouveau paradigme qui va au-delà des limites de la modélisation paramétrique. En déplaçant l'attention des paramètres individuels vers les relations complexes entre les caractéristiques, j'ai développé une méthode qui permet une exploration plus complète et intuitive des espaces de conception.   L'exploration spatiale des fonctionnalités représente une avancée significative dans le domaine de la conception informatique. En dépassant les contraintes de la modélisation paramétrique, de nouveaux niveaux de créativité et d'innovation sont accessibles, offrant aux concepteurs des outils offrant une plus grande liberté et une plus grande précision dans leur travail.  Cette approche modifie non seulement la manière dont les designers interagissent avec leurs outils, mais ouvre également de nouvelles possibilités de réalisation. À mesure que la technologie continue d’évoluer, l’intégration de l’apprentissage profond et de la conception informatique jouera sans aucun doute un rôle crucial dans l’avenir de la créativité.   https://tcabezon.github.io/3Dexploration/?embedable=true  Pour plus de détails ou pour explorer l'espace de fonctionnalités résultant, reportez-vous au site Web du projet :   ou à l'article de recherche :   qui inclut l'ensemble du processus de recherche qui est à l'origine de ce projet. https://tcabezon.github.io/3Dexploration/ « Feature Space Exploration as an Alternative for Design Space Exploration Beyond the Parametric Space »

This story contains new, firsthand information uncovered by the writer.

Read My Stories

Cet audio est produit dans la langue originale de l'histoire !

Élargir l'exploration de la conception : explorer les espaces de fonctionnalités au-delà des limites paramétriques

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Boostez votre productivité avec ces 18 outils de développement 🚀🔥

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Valhalla de Floki se joint en tant que sponsor associé de la tournée indienne au Sri Lanka

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Boostez votre productivité avec ces 18 outils de développement 🚀🔥

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Valhalla de Floki se joint en tant que sponsor associé de la tournée indienne au Sri Lanka

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps