![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Os limites do design estão sendo constantemente empurrados para frente pela integração de tecnologias de ponta. À medida que os métodos computacionais avançam, os designers são equipados com novas ferramentas que aumentam seu potencial criativo, permitindo uma exploração sem precedentes de espaços de design complexos.
Uma dessas abordagens inovadoras é a Exploração Espacial de Recursos, um método que transcende as limitações tradicionais do design paramétrico ao aproveitar o poder do aprendizado profundo.
Em minha pesquisa anterior na Carnegie Mellon University, concentrei-me em desenvolver uma nova estrutura de exploração de design que alavanca o aprendizado profundo para criar espaços de recursos. Esses espaços oferecem uma maneira mais intuitiva e abrangente de explorar soluções de design, indo além da natureza restritiva do design paramétrico. O projeto apresentado aqui marca um passo significativo em como os designers podem interagir com conjuntos de dados complexos e descobrir novas possibilidades em seu trabalho.
O design paramétrico tem sido há muito tempo uma pedra angular do design computacional, permitindo que designers gerem múltiplas variações de um conceito ajustando um conjunto de parâmetros predefinidos. No entanto, embora essa abordagem ofereça flexibilidade, ela também impõe limitações. O espaço paramétrico frequentemente restringe o designer a um conjunto estreito de possibilidades, definido pelos próprios parâmetros.
Isso pode dificultar a exploração de relacionamentos mais complexos entre diferentes elementos de design.
Para lidar com essa limitação, desenvolvi uma abordagem alternativa centrada no que chamo de "espaço de recursos". Em vez de ser confinado às variáveis paramétricas, o espaço de recursos é criado pela extração e análise de recursos de design usando modelos de aprendizado profundo. Essa mudança permite que profissionais criativos explorem um espaço de design mais rico e interconectado, onde os relacionamentos entre os recursos são naturalmente expressos.
Este estudo envolveu a criação de um conjunto de dados sintéticos consistindo de 15.000 modelos 3D, cada um gerado por meio de um algoritmo paramétrico com cinco parâmetros-chave. Esses parâmetros incluíam a altura do vaso, a largura da base, a largura da abertura superior e as coordenadas dos pontos de controle que definem o formato do vaso. Cada variante de design é representada como um vetor, correspondendo a um modelo 3D específico.
Uma vez que o conjunto de dados foi gerado, empreguei um Variational Autoencoder (VAE) para construir o espaço de recursos. VAEs são um tipo de rede neural profunda generativa que abstrai dados de entrada em dimensões menores e mais gerenciáveis — conhecidas como espaço latente. Esse espaço latente serve como base para o espaço de recursos, capturando os relacionamentos complexos entre diferentes recursos de design.
Um dos principais desafios na exploração dos espaços paramétricos e de recursos é a visualização. Dados de alta dimensão podem ser difíceis de compreender e navegar. Um espaço de design de cinco dimensões dificulta que os designers comparem modelos e visualizem e comparem as características. Empreguei um processo de redução de dimensionalidade para reduzir o espaço a duas dimensões e permitir que os objetos sejam plotados e comparados entre si.
A imagem abaixo mostra o processo geral de visualização do espaço usando o algoritmo t-Distributed Stochastic Neighbour Embedding (t-SNE), um algoritmo popular de redução de dimensionalidade para visualizar dados de alta dimensão.
Uma vez que o conjunto de dados foi gerado, empreguei um Variational Autoencoder (VAE) para construir o espaço de recursos. VAEs são um tipo de rede neural profunda generativa que abstrai dados de entrada em dimensões menores e mais gerenciáveis — conhecidas como espaço latente. Esse espaço latente serve como base para o espaço de recursos, capturando os relacionamentos complexos entre diferentes recursos de design.
Uma vez que o VAE foi treinado, o codificador foi usado para extrair as características de cada vaso no conjunto de dados de teste de 32.768 dimensões, o tamanho de cada vaso voxelizado, em vetores de 128 dimensões, os vetores latentes. Consequentemente, todo o conjunto de dados de teste dos vasos é representado em vetores cuja forma total é [3.000, 128].
Esta visualização não é apenas uma conquista técnica; é uma ferramenta crucial para designers. Ao reduzir a complexidade dos dados em um formato visual, os designers podem identificar mais facilmente padrões, clusters e relacionamentos dentro do espaço de design. Isso permite uma tomada de decisão mais informada e abre novos caminhos para exploração criativa.
A análise dos espaços de design destaca diferenças significativas entre como os espaços paramétricos e de recursos representam e organizam soluções de design. A Figura 6 apresenta uma visualização 2D do espaço de design de recursos gerado pelo modelo Variational Autoencoder (VAE) para o conjunto de dados de embarcações. Nesta figura, observamos que embarcações com características morfológicas semelhantes são naturalmente agrupadas.
Por exemplo, vasos mais finos estão predominantemente localizados no canto superior direito da imagem, enquanto vasos maiores e mais volumosos ocupam o canto inferior esquerdo. Esse padrão de agrupamento ilustra a capacidade do modelo VAE de entender e mapear as relações complexas entre os parâmetros de projeto e sua influência resultante no formato do vaso.
Por outro lado, ao examinar o espaço paramétrico na Figura 7, notamos uma estrutura organizacional diferente. Embora os vasos côncavos sejam agrupados na parte inferior da imagem, o agrupamento não considera totalmente outros parâmetros críticos, como a altura dos vasos. Essa limitação é inerente à abordagem de design paramétrico, que tende a tratar cada parâmetro de forma independente, em vez de explorar as relações intrincadas entre eles.
Como resultado, o espaço de design paramétrico frequentemente falha em capturar a complexidade total das formas do vaso, levando a uma representação incompleta dos possíveis resultados do design. Em contraste, o espaço de recursos (como mostrado acima) permite uma transição mais sutil e gradual em forma, concavidade, altura e largura, fornecendo uma compreensão mais abrangente de como esses recursos interagem e evoluem.
Para aprofundar essa comparação, um algoritmo de clustering — Density-Based Spatial Clustering of Applications with Noise (DBSCAN) — é aplicado tanto ao espaço paramétrico quanto ao de recursos. A Figura 8 ilustra os resultados desse processo de clustering. No espaço de design paramétrico, identifiquei um total de sete clusters: três grandes e quatro pequenos.
No entanto, esse agrupamento revela uma desvantagem significativa do espaço paramétrico — ele não fornece informações suficientes para comparar intuitivamente variantes de design em uma escala local. Mesmo dentro do mesmo agrupamento, o espaço paramétrico mostra variações extremas nas formas dos vasos, indicando uma falta de coesão e continuidade em como os designs são agrupados.
Por outro lado, o espaço de design de recursos apresenta uma estrutura de clustering mais refinada com nove clusters distintos: seis clusters principais e três menores. No espaço de recursos, as transições entre diferentes clusters são mais suaves, refletindo mudanças graduais nas formas conforme nos movemos pelo espaço (mudanças locais) e por toda a visualização (mudanças globais). Por exemplo, vasos mais curtos são consistentemente localizados no topo, enquanto vasos mais altos ocupam a seção inferior.
Além disso, movendo-se horizontalmente pelo espaço, observamos uma mudança de formas côncavas para convexas, oferecendo uma representação clara e intuitiva de como as formas do vaso mudam em relação às suas características. Esse agrupamento coeso no espaço de características permite que os designers façam comparações mais informadas e localizadas entre alternativas de design semelhantes, aprimorando significativamente o processo de exploração do design.
Este trabalho demonstra que o aprendizado profundo pode melhorar significativamente o processo de exploração de design, oferecendo um novo paradigma que vai além das limitações da modelagem paramétrica. Ao mudar o foco de parâmetros individuais para relacionamentos de recursos complexos, desenvolvi um método que permite uma exploração mais abrangente e intuitiva de espaços de design.
Feature Space Exploration representa um avanço significativo no campo do design computacional. Ao ir além das restrições da modelagem paramétrica, novos níveis de criatividade e inovação são desbloqueados, fornecendo aos designers ferramentas que oferecem maior liberdade e precisão em seu trabalho.
Essa abordagem não apenas muda a forma como os designers interagem com suas ferramentas, mas também abre novas possibilidades para o que pode ser alcançado. À medida que a tecnologia continua a evoluir, a integração de aprendizado profundo e design computacional, sem dúvida, desempenhará um papel crucial na formação do futuro da criatividade.
Para mais detalhes ou para explorar o espaço de recursos resultante, consulte o site do projeto: https://tcabezon.github.io/3Dexploration/ ou o artigo de pesquisa: "Exploração de espaço de recursos como alternativa para exploração de espaço de design além do espaço paramétrico", que inclui todo o processo de pesquisa por trás deste projeto.