Расширение исследования дизайна: исследование пространств функций за пределами параметрических границ

Границы дизайна постоянно расширяются за счет интеграции передовых технологий. По мере развития вычислительных методов дизайнеры получают новые инструменты, которые повышают их творческий потенциал, позволяя беспрецедентно исследовать сложные пространства дизайна.

Одним из таких инновационных подходов является метод Feature Space Exploration, который выходит за рамки ограничений традиционного параметрического проектирования за счет использования возможностей глубокого обучения.

В моем прошлом исследовании в Университете Карнеги-Меллона я сосредоточился на разработке новой структуры исследования дизайна, которая использует глубокое обучение для создания пространств признаков. Эти пространства предлагают более интуитивный и всеобъемлющий способ исследования решений дизайна, выходя за рамки ограничительной природы параметрического дизайна. Представленный здесь проект знаменует собой значительный шаг вперед в том, как дизайнеры могут взаимодействовать со сложными наборами данных и открывать новые возможности в своей работе.

От параметров к характеристикам: новый подход к проектированию пространства

Параметрическое проектирование долгое время было краеугольным камнем вычислительного проектирования, позволяя проектировщикам создавать множество вариаций концепции, изменяя набор предопределенных параметров. Однако, хотя этот подход и обеспечивает гибкость, он также накладывает ограничения. Параметрическое пространство часто ограничивает проектировщика узким набором возможностей, определяемых самими параметрами.

Это может затруднить исследование более сложных взаимосвязей между различными элементами дизайна.

Чтобы устранить это ограничение, я разработал альтернативный подход, сосредоточенный вокруг того, что я называю «пространством признаков». Вместо того, чтобы ограничиваться параметрическими переменными, пространство признаков создается путем извлечения и анализа признаков дизайна с использованием моделей глубокого обучения. Этот сдвиг позволяет творческим специалистам исследовать более богатое, более взаимосвязанное пространство дизайна, где отношения между признаками выражаются естественным образом.

Эксперимент: создание пространств дизайна

В ходе этого исследования был создан синтетический набор данных, состоящий из 15 000 3D-моделей, каждая из которых была создана с помощью параметрического алгоритма с пятью ключевыми параметрами. К этим параметрам относятся высота сосуда, ширина основания, ширина верхнего отверстия и координаты контрольных точек, определяющих форму сосуда. Каждый вариант конструкции представлен в виде вектора, соответствующего определенной 3D-модели.

После того, как набор данных был сгенерирован, я использовал Variational Autoencoder (VAE) для построения пространства признаков. VAE — это тип генеративной глубокой нейронной сети, которая абстрагирует входные данные в меньшие, более управляемые измерения, известные как скрытое пространство. Это скрытое пространство служит основой для пространства признаков, фиксируя сложные отношения между различными конструктивными особенностями.

Визуализация: преодоление разрыва между многомерными данными и дизайном

Одной из ключевых проблем при исследовании как параметрического, так и признакового пространства является визуализация. Высокоразмерные данные могут быть сложны для понимания и навигации. Пятимерное пространство дизайна затрудняет для дизайнеров сравнение моделей, а также визуализацию и сравнение характеристик. Я использовал процесс снижения размерности, чтобы уменьшить пространство до двух измерений и позволить отображать объекты и сравнивать их друг с другом.

На рисунке ниже показан общий процесс визуализации пространства с использованием алгоритма t-распределенного стохастического соседнего внедрения (t-SNE), популярного алгоритма снижения размерности для визуализации многомерных данных.

После того, как набор данных был сгенерирован, я использовал Variational Autoencoder (VAE) для построения пространства признаков. VAE — это тип генеративной глубокой нейронной сети, которая абстрагирует входные данные в меньшие, более управляемые измерения, известные как скрытое пространство. Это скрытое пространство служит основой для пространства признаков, фиксируя сложные отношения между различными конструктивными особенностями.

После обучения VAE кодер использовался для извлечения характеристик каждого сосуда в тестовом наборе данных из 32 768 измерений, размера каждого вокселизированного сосуда, в 128-мерные векторы, латентные векторы. Следовательно, весь тестовый набор данных сосудов представлен в векторах, общая форма которых составляет [3 000, 128].

Эта визуализация — не просто техническое достижение; это важный инструмент для дизайнеров. Уменьшая сложность данных в визуальном формате, дизайнеры могут легче определять закономерности, кластеры и отношения в пространстве дизайна. Это позволяет принимать более обоснованные решения и открывает новые пути для творческого исследования.

Сравнение: параметрическое пространство против пространства признаков

Анализ пространств проектирования выявляет существенные различия между тем, как параметрические и пространств признаков представляют и организуют решения проектирования. На рисунке 6 представлена 2D-визуализация пространства проектирования признаков, созданная моделью Variational Autoencoder (VAE) для набора данных сосудов. На этом рисунке мы видим, что сосуды со схожими морфологическими характеристиками естественным образом сгруппированы вместе.

Например, более тонкие сосуды преимущественно расположены в правом верхнем углу изображения, в то время как более крупные и объемные сосуды занимают нижний левый угол. Эта кластерная модель иллюстрирует способность модели VAE понимать и отображать сложные взаимосвязи между параметрами конструкции и их результирующим влиянием на форму сосуда.

Напротив, при изучении параметрического пространства на рисунке 7 мы замечаем другую организационную структуру. Хотя вогнутые сосуды сгруппированы в нижней части изображения, кластеризация не полностью учитывает другие критические параметры, такие как высота сосудов. Это ограничение присуще параметрическому подходу к проектированию, который имеет тенденцию рассматривать каждый параметр независимо, а не исследовать сложные отношения между ними.

В результате параметрическое пространство дизайна часто не может охватить всю сложность форм сосудов, что приводит к неполному представлению возможных результатов дизайна. Напротив, пространство признаков (как показано выше) допускает более тонкий и постепенный переход в форме, вогнутости, высоте и ширине, обеспечивая более полное понимание того, как эти признаки взаимодействуют и развиваются.

Для углубления этого сравнения применяется алгоритм кластеризации — пространственное кластеризация приложений на основе плотности с шумом (DBSCAN) — как к параметрическому, так и к пространству признаков. Рисунок 8 иллюстрирует результаты этого процесса кластеризации. В пространстве параметрического проектирования я выделил в общей сложности семь кластеров: три больших и четыре маленьких.

Однако эта кластеризация выявляет существенный недостаток параметрического пространства — оно не дает достаточной информации для интуитивного сравнения вариантов дизайна в локальном масштабе. Даже в пределах одного кластера параметрическое пространство показывает экстремальные вариации форм сосудов, что указывает на отсутствие сплоченности и преемственности в том, как группируются проекты.

С другой стороны, пространство дизайна признаков представляет более тонкую структуру кластеризации с девятью отдельными кластерами: шестью основными кластерами и тремя более мелкими. В пространстве признаков переходы между различными кластерами более плавные, отражая постепенные изменения форм по мере нашего перемещения по пространству (локальные изменения) и по всей визуализации (глобальные изменения). Например, более короткие сосуды последовательно располагаются вверху, в то время как более высокие сосуды занимают нижнюю часть.

Более того, двигаясь горизонтально по пространству, мы наблюдаем переход от вогнутых к выпуклым формам, предлагая четкое и интуитивное представление того, как формы сосудов изменяются относительно их характеристик. Эта сплоченная кластеризация в пространстве характеристик позволяет дизайнерам проводить более обоснованные и локализованные сравнения между похожими альтернативами дизайна, значительно улучшая процесс исследования дизайна.

Будущее исследований дизайна

Эта работа демонстрирует, что глубокое обучение может значительно улучшить процесс исследования дизайна, предлагая новую парадигму, выходящую за рамки ограничений параметрического моделирования. Смещая фокус с отдельных параметров на сложные взаимосвязи признаков, я разработал метод, который позволяет проводить более комплексное и интуитивное исследование пространств дизайна.

Feature Space Exploration представляет собой значительный прогресс в области вычислительного проектирования. Выходя за рамки ограничений параметрического моделирования, открываются новые уровни креативности и инноваций, предоставляя дизайнерам инструменты, которые предлагают большую свободу и точность в их работе.

Этот подход не только меняет то, как дизайнеры взаимодействуют со своими инструментами, но и открывает новые возможности для того, чего можно достичь. Поскольку технологии продолжают развиваться, интеграция глубокого обучения и вычислительного проектирования, несомненно, сыграет решающую роль в формировании будущего креативности.

Для получения более подробной информации или для изучения полученного пространства признаков посетите веб-сайт проекта: https://tcabezon.github.io/3Dexploration/ или прочитайте исследовательскую статью: «Исследование пространства признаков как альтернатива исследованию пространства дизайна за пределами параметрического пространства», которая включает в себя весь процесс исследования, лежащий в основе этого проекта.