최첨단 기술의 통합으로 디자인의 경계가 끊임없이 확장되고 있습니다. 계산 방법이 발전함에 따라 디자이너는 창의적인 잠재력을 향상시키는 새로운 도구를 갖추고 있어 복잡한 디자인 공간을 전례 없이 탐색할 수 있습니다.  그러한 혁신적인 접근 방식 중 하나는 딥 러닝의 힘을 활용하여 기존의 매개변수적 설계 제한을 뛰어넘는 방법인 피처 공간 탐색입니다.  저는 Carnegie Mellon University에서 과거 연구를 진행하면서 딥 러닝을 활용하여 피처 공간을 만드는 새로운 디자인 탐색 프레임워크를 개발하는 데 집중했습니다. 이러한 공간은 매개변수 디자인의 제한적인 특성을 넘어 디자인 솔루션을 탐색하는 보다 직관적이고 포괄적인 방법을 제공합니다. 여기에 제시된 프로젝트는 디자이너가 복잡한 데이터 세트와 상호 작용하고 작업에서 새로운 가능성을 발견하는 방법에 있어 중요한 진전을 나타냅니다.   매개변수에서 피처까지: 설계 공간에 대한 새로운 접근 방식  매개변수 설계는 오랫동안 계산 설계의 초석이었으며, 설계자는 미리 정의된 매개변수 집합을 조정하여 개념의 여러 변형을 생성할 수 있었습니다. 그러나 이 접근 방식은 유연성을 제공하지만 한계도 있습니다. 매개변수 공간은 종종 설계자를 매개변수 자체로 정의된 좁은 가능성 집합으로 제한합니다.  이로 인해 다양한 디자인 요소 간의 보다 복잡한 관계를 탐색하는 데 방해가 될 수 있습니다.  이러한 한계를 해결하기 위해 저는 "특징 공간"이라고 부르는 것을 중심으로 한 대안적 접근 방식을 개발했습니다. 매개변수 변수에 국한되는 대신, 특징 공간은 딥 러닝 모델을 사용하여 디자인 특징을 추출하고 분석하여 만들어집니다. 이러한 전환을 통해 창의적인 실무자는 특징 간의 관계가 자연스럽게 표현되는 보다 풍부하고 상호 연결된 디자인 공간을 탐색할 수 있습니다.    실험: 디자인 공간 구성  이 연구에는 5가지 핵심 매개변수를 가진 매개변수 알고리즘을 통해 생성된 15,000개의 3D 모델로 구성된 합성 데이터 세트를 만드는 것이 포함되었습니다. 이러한 매개변수에는 용기의 높이, 바닥의 너비, 상단 개구부의 너비, 용기의 모양을 정의하는 제어점의 좌표가 포함되었습니다. 각 디자인 변형은 특정 3D 모델에 해당하는 벡터로 표현됩니다.   데이터 세트가 생성되자, 저는 VAE(Variational Autoencoder)를 사용하여 피처 공간을 구성했습니다. VAE는 입력 데이터를 더 작고 관리하기 쉬운 차원인 잠재 공간으로 추상화하는 생성적 심층 신경망의 한 유형입니다. 이 잠재 공간은 피처 공간의 기초 역할을 하며, 다양한 디자인 피처 간의 복잡한 관계를 포착합니다.    시각화: 고차원 데이터와 디자인 간의 격차 해소  매개변수 공간과 피처 공간을 모두 탐색하는 데 있어 핵심 과제 중 하나는 시각화입니다. 고차원 데이터는 이해하고 탐색하기 어려울 수 있습니다. 5차원 설계 공간은 설계자가 모델을 비교하고 특성을 시각화하고 비교하기 어렵게 만듭니다. 저는 차원 축소 프로세스를 사용하여 공간을 2차원으로 줄이고 객체를 플로팅하고 서로 비교할 수 있도록 했습니다.  아래 이미지는 고차원 데이터를 시각화하는 데 널리 사용되는 차원 감소 알고리즘인 t-SNE(t-Distributed Stochastic Neighbor Embedding) 알고리즘을 사용하여 공간을 시각화하는 전반적인 프로세스를 보여줍니다.   데이터 세트가 생성되자, 저는 VAE(Variational Autoencoder)를 사용하여 피처 공간을 구성했습니다. VAE는 입력 데이터를 더 작고 관리하기 쉬운 차원인 잠재 공간으로 추상화하는 생성적 심층 신경망의 한 유형입니다. 이 잠재 공간은 피처 공간의 기초 역할을 하며, 다양한 디자인 피처 간의 복잡한 관계를 포착합니다.  VAE가 훈련되면 인코더를 사용하여 테스트 데이터 세트의 각 혈관의 특징을 32,768차원(각 폭셀화된 혈관의 크기)에서 128차원 벡터(잠재 벡터)로 추출했습니다. 결과적으로 혈관의 전체 테스트 데이터 세트는 전체 모양이 [3,000, 128]인 벡터로 표현되었습니다.   이 시각화는 단순한 기술적 성과가 아니라 디자이너에게 중요한 도구입니다. 데이터의 복잡성을 시각적 형식으로 줄임으로써 디자이너는 디자인 공간 내에서 패턴, 클러스터 및 관계를 더 쉽게 식별할 수 있습니다. 이를 통해 더 정보에 입각한 의사 결정이 가능해지고 창의적인 탐구를 위한 새로운 길이 열립니다.   비교: 매개변수 공간 대 피처 공간  설계 공간의 분석은 매개변수 공간과 피처 공간이 설계 솔루션을 표현하고 구성하는 방식 간의 상당한 차이점을 강조합니다. 그림 6은 혈관 데이터 세트에 대한 VAE(Variational Autoencoder) 모델에서 생성된 피처 설계 공간의 2D 시각화를 보여줍니다. 이 그림에서 우리는 유사한 형태적 특성을 가진 혈관이 자연스럽게 함께 클러스터링되는 것을 관찰합니다.  예를 들어, 얇은 혈관은 주로 이미지 오른쪽 상단에 위치하는 반면, 더 크고 부피가 큰 혈관은 왼쪽 하단에 위치합니다. 이 클러스터링 패턴은 VAE 모델이 설계 매개변수와 혈관 모양에 미치는 결과적 영향 간의 복잡한 관계를 이해하고 매핑할 수 있는 능력을 보여줍니다.   반대로, 그림 7의 매개변수 공간을 살펴보면 다른 조직 구조가 눈에 띕니다. 오목한 혈관이 이미지 하단에 그룹화되어 있지만 클러스터링은 혈관 높이와 같은 다른 중요한 매개변수를 충분히 고려하지 않습니다. 이러한 제한은 매개변수 설계 접근 방식에 내재되어 있으며, 매개변수 간의 복잡한 관계를 탐구하기보다는 각 매개변수를 독립적으로 처리하는 경향이 있습니다.  결과적으로, 매개변수 설계 공간은 종종 용기 형태의 전체 복잡성을 포착하지 못하여 가능한 설계 결과를 불완전하게 표현하게 됩니다. 반면에 피처 공간(위에서 보여짐)은 모양, 오목함, 높이, 너비에서 보다 미묘하고 점진적인 전환을 허용하여 이러한 피처가 어떻게 상호 작용하고 진화하는지에 대한 보다 포괄적인 이해를 제공합니다.   이 비교를 심화하기 위해 클러스터링 알고리즘인 Density-Based Spatial Clustering of Applications with Noise(DBSCAN)가 매개변수 공간과 피처 공간 모두에 적용됩니다. 그림 8은 이 클러스터링 프로세스의 결과를 보여줍니다. 매개변수 설계 공간에서 총 7개의 클러스터를 식별했습니다. 3개는 크고 4개는 작습니다.  그러나 이 클러스터링은 매개변수 공간의 상당한 단점을 드러냅니다. 즉, 지역적 규모에서 디자인 변형을 직관적으로 비교하기에 충분한 정보를 제공하지 않습니다. 동일한 클러스터 내에서도 매개변수 공간은 용기 형태에 극단적인 차이를 보이며, 이는 디자인이 그룹화되는 방식에 응집력과 연속성이 부족하다는 것을 나타냅니다.   반면, 피처 디자인 공간은 9개의 개별 클러스터, 즉 6개의 주요 클러스터와 3개의 작은 클러스터로 구성된 더욱 정교한 클러스터링 구조를 제공합니다. 피처 공간에서는 서로 다른 클러스터 간의 전환이 더 부드러워 공간을 이동하면서(로컬 변경) 그리고 전체 시각화를 이동하면서(글로벌 변경) 형태의 점진적인 변화를 반영합니다. 예를 들어, 짧은 용기는 항상 상단에 위치하는 반면, 더 큰 용기는 하단 섹션을 차지합니다.  게다가 공간을 가로질러 수평으로 이동하면서 오목한 모양에서 볼록한 모양으로 바뀌는 것을 관찰하여 용기 형태가 기능에 따라 어떻게 변하는지 명확하고 직관적으로 표현합니다. 기능 공간에서 이러한 응집력 있는 클러스터링을 통해 설계자는 유사한 디자인 대안 간에 보다 정보에 입각하고 지역화된 비교를 할 수 있어 디자인 탐색 프로세스가 크게 향상됩니다.   디자인 탐색의 미래  이 연구는 딥 러닝이 설계 탐색 프로세스를 크게 향상시켜 매개변수 모델링의 한계를 넘어서는 새로운 패러다임을 제공할 수 있음을 보여줍니다. 개별 매개변수에서 복잡한 피처 관계로 초점을 옮겨 설계 공간을 보다 포괄적이고 직관적으로 탐색할 수 있는 방법을 개발했습니다.   Feature Space Exploration은 계산 설계 분야에서 상당한 진전을 나타냅니다. 매개변수 모델링의 제약을 넘어 새로운 수준의 창의성과 혁신이 잠금 해제되어 디자이너에게 작업에서 더 큰 자유와 정밀성을 제공하는 도구를 제공합니다.  이러한 접근 방식은 디자이너가 도구와 상호 작용하는 방식을 바꿀 뿐만 아니라 달성할 수 있는 새로운 가능성을 열어줍니다. 기술이 계속 발전함에 따라 딥 러닝과 계산 설계의 통합은 의심할 여지 없이 창의성의 미래를 형성하는 데 중요한 역할을 할 것입니다.   https://tcabezon.github.io/3Dexploration/?embedable=true  자세한 내용이나 결과적으로 나온 피처 공간을 살펴보려면 프로젝트 웹사이트:   또는 이 프로젝트의 전체 연구 과정이 포함된 연구 기사:   참조하세요. https://tcabezon.github.io/3Dexploration/ "매개변수 공간을 넘어서는 디자인 공간 탐색을 위한 대안으로서의 피처 공간 탐색"을

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

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

디자인 탐색 확장: 매개변수 경계 너머의 피처 공간 탐색

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps