設計探索の拡張: パラメトリック境界を超えた機能空間の探索

デザインの限界は、最先端のテクノロジーの統合によって常に押し広げられています。計算方法が進歩するにつれて、デザイナーは創造力を高める新しいツールを手に入れ、複雑なデザイン空間をこれまでにないほど探求できるようになりました。

そのような革新的なアプローチの 1 つが、ディープラーニングの力を活用して従来のパラメトリック設計の制限を克服する方法である Feature Space Exploration です。

カーネギーメロン大学での過去の研究では、ディープラーニングを活用して特徴空間を作成する新しいデザイン探索フレームワークの開発に焦点を当てました。これらの空間は、パラメトリックデザインの制限的な性質を超えて、より直感的で包括的なデザインソリューションの探索方法を提供します。ここで紹介するプロジェクトは、デザイナーが複雑なデータセットを操作して、仕事の新たな可能性を発見する方法において大きな前進を示しています。

パラメータから機能へ: 設計空間への新しいアプローチ

パラメトリック デザインは長い間、コンピューター設計の基礎となってきました。これにより、デザイナーは定義済みの一連のパラメータを微調整することで、コンセプトのさまざまなバリエーションを生成できます。ただし、このアプローチは柔軟性を提供する一方で、制限も課します。パラメトリック空間では、多くの場合、デザイナーはパラメータ自体によって定義される狭い範囲の可能性に制限されます。

これにより、さまざまな設計要素間のより複雑な関係の調査が妨げられる可能性があります。

この制限に対処するために、私は「機能空間」と呼ばれるものを中心とした代替アプローチを開発しました。機能空間は、パラメトリック変数に限定されるのではなく、ディープラーニング モデルを使用して設計機能を抽出および分析することによって作成されます。この移行により、クリエイティブな実践者は、機能間の関係が自然に表現される、より豊かで相互接続された設計空間を探索できるようになります。

実験: デザイン空間の構築

この研究では、5 つの主要パラメータを持つパラメトリック アルゴリズムによって生成された 15,000 個の 3D モデルで構成される合成データセットを作成しました。これらのパラメータには、容器の高さ、底部の幅、上部開口部の幅、容器の形状を定義する制御点の座標が含まれます。各設計バリアントは、特定の 3D モデルに対応するベクトルとして表されます。

データセットが生成されると、変分オートエンコーダ (VAE) を使用して特徴空間を構築しました。VAE は、入力データを潜在空間と呼ばれるより小さく管理しやすい次元に抽象化する、生成型ディープ ニューラル ネットワークの一種です。この潜在空間は特徴空間の基盤として機能し、さまざまな設計機能間の複雑な関係を捉えます。

視覚化: 高次元データとデザインのギャップを埋める

パラメトリック空間とフィーチャ空間の両方を探索する際の主な課題の 1 つは、視覚化です。高次元のデータは理解や操作が難しい場合があります。5 次元の設計空間では、設計者がモデルを比較したり、特性を視覚化して比較したりすることが困難です。そこで、次元削減プロセスを使用して空間を 2 次元に削減し、オブジェクトをプロットして相互に比較できるようにしました。

下の画像は、高次元データを視覚化するための一般的な次元削減アルゴリズムである t 分布確率的近傍埋め込み (t-SNE) アルゴリズムを使用して空間を視覚化する全体的なプロセスを示しています。

データセットが生成されると、変分オートエンコーダ (VAE) を使用して特徴空間を構築しました。VAE は、入力データを潜在空間と呼ばれるより小さく管理しやすい次元に抽象化する、生成型ディープ ニューラル ネットワークの一種です。この潜在空間は特徴空間の基盤として機能し、さまざまな設計機能間の複雑な関係を捉えます。

VAE のトレーニングが完了すると、エンコーダーを使用して、テスト データセット内の各血管の特徴を、各ボクセル化された血管のサイズである 32,768 次元から 128 次元のベクトル (潜在ベクトル) に抽出しました。その結果、血管のテスト データセット全体が、全体の形状が [3,000, 128] のベクトルとして表現されます。

この視覚化は単なる技術的な成果ではなく、デザイナーにとって重要なツールです。データの複雑さを視覚的な形式にすることで、デザイナーはデザイン空間内のパターン、クラスター、関係をより簡単に識別できます。これにより、より情報に基づいた意思決定が可能になり、創造的な探求のための新しい道が開かれます。

比較: パラメトリック空間と特徴空間

設計空間の分析により、パラメトリック空間と特徴空間が設計ソリューションを表現および整理する方法の間に大きな違いがあることが強調されます。図 6 は、血管データセットの変分オートエンコーダ (VAE) モデルによって生成された特徴設計空間の 2D 視覚化を示しています。この図では、類似した形態特性を持つ血管が自然に集まっていることがわかります。

たとえば、細い血管は主に画像の右上に位置し、大きくてかさばる血管は左下隅を占めています。このクラスタリング パターンは、VAE モデルが設計パラメータとそれが血管の形状に与える影響との間の複雑な関係を理解してマッピングする能力を示しています。

逆に、図 7 のパラメトリック空間を調べると、異なる組織構造に気づきます。凹状の血管は画像の下部にグループ化されていますが、クラスタリングでは血管の高さなどの他の重要なパラメータが十分に考慮されていません。この制限は、各パラメータ間の複雑な関係を調査するのではなく、各パラメータを個別に扱う傾向があるパラメトリック設計アプローチに固有のものです。

その結果、パラメトリック設計空間では、容器の形状の複雑さを完全には捉えられないことが多く、設計結果の表現が不完全になります。対照的に、フィーチャ空間 (上記参照) では、形状、凹面、高さ、幅のより微妙で段階的な変化が可能になり、これらのフィーチャがどのように相互作用して進化するかをより包括的に理解できます。

この比較を深めるために、クラスタリング アルゴリズム (DBSCAN (ノイズを含むアプリケーションの密度ベース空間クラスタリング)) をパラメトリック空間と特徴空間の両方に適用します。図 8 は、このクラスタリング プロセスの結果を示しています。パラメトリック設計空間では、合計 7 つのクラスター (大きいクラスター 3 つと小さいクラスター 4 つ) を特定しました。

しかし、このクラスタリングにより、パラメトリック空間の重大な欠点が明らかになりました。つまり、ローカル スケールで設計のバリエーションを直感的に比較するのに十分な情報が提供されないのです。同じクラスター内でも、パラメトリック空間では容器の形状に極端なばらつきが見られ、設計のグループ化方法に一貫性と連続性が欠けていることがわかります。

一方、フィーチャ デザイン スペースは、6 つの主要なクラスターと 3 つの小さなクラスターの計 9 つのクラスターで構成される、より洗練されたクラスタリング構造を示します。フィーチャ スペースでは、異なるクラスター間の遷移がよりスムーズになり、スペース内を移動する際 (ローカル変更) や視覚化全体にわたって移動する際 (グローバル変更) の形状の段階的な変化を反映します。たとえば、短い血管は常に上部に配置され、長い血管は下部に配置されます。

さらに、空間を水平方向に移動すると、凹型から凸型への変化が観察され、容器の形状がその特徴に応じてどのように変化するかを明確かつ直感的に表現できます。特徴空間におけるこの凝集的なクラスタリングにより、デザイナーは類似の設計代替案間でより情報に基づいた局所的な比較を行うことができ、設計探索プロセスが大幅に強化されます。

デザイン探索の未来

この研究は、ディープラーニングが設計探索プロセスを大幅に強化し、パラメトリック モデリングの限界を超える新しいパラダイムを提供できることを示しています。個々のパラメータから複雑な機能関係に焦点を移すことで、設計空間をより包括的かつ直感的に探索できる方法を開発しました。

Feature Space Exploration は、計算設計分野における大きな進歩を表しています。パラメトリック モデリングの制約を超えることで、創造性と革新性が新たなレベルに引き上げられ、デザイナーは作業の自由度と精度を高めるツールを利用できるようになります。

このアプローチは、デザイナーがツールと対話する方法を変えるだけでなく、達成できるものの新たな可能性を切り開きます。テクノロジーが進化し続けるにつれて、ディープラーニングと計算デザインの統合は、創造性の未来を形作る上で間違いなく重要な役割を果たすでしょう。

詳細または結果として得られる特徴空間を調べるには、プロジェクトの Web サイト ( https://tcabezon.github.io/3Dexploration/ ) または研究記事「パラメトリック空間を超えた設計空間探索の代替としての特徴空間探索」を参照してください。この研究記事には、このプロジェクトの背後にある研究プロセス全体が含まれています。