![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Tasarımın sınırları, son teknolojilerin entegrasyonuyla sürekli olarak ileriye doğru itiliyor. Hesaplamalı yöntemler ilerledikçe, tasarımcılar yaratıcı potansiyellerini artıran yeni araçlarla donatılıyor ve karmaşık tasarım alanlarının benzeri görülmemiş bir şekilde keşfedilmesine olanak sağlıyor.
Bu yenilikçi yaklaşımlardan biri de derin öğrenmenin gücünden yararlanarak geleneksel parametrik tasarım sınırlamalarını aşan bir yöntem olan Özellik Uzay Araştırması'dır.
Carnegie Mellon Üniversitesi'ndeki geçmiş araştırmamda, özellik alanları oluşturmak için derin öğrenmeden yararlanan yeni bir tasarım keşif çerçevesi geliştirmeye odaklandım. Bu alanlar, parametrik tasarımın kısıtlayıcı doğasının ötesine geçerek tasarım çözümlerini keşfetmenin daha sezgisel ve kapsamlı bir yolunu sunar. Burada sunulan proje, tasarımcıların karmaşık veri kümeleriyle nasıl etkileşime girebilecekleri ve çalışmalarında yeni olasılıkları nasıl keşfedebilecekleri konusunda önemli bir adım atıyor.
Parametrik tasarım uzun zamandır hesaplamalı tasarımın temel taşı olmuştur ve tasarımcıların önceden tanımlanmış bir dizi parametreyi değiştirerek bir konseptin birden fazla varyasyonunu üretmesini sağlar. Ancak bu yaklaşım esneklik sunarken aynı zamanda sınırlamalar da getirir. Parametrik alan genellikle tasarımcıyı parametrelerin kendileri tarafından tanımlanan dar bir olasılık kümesiyle sınırlar.
Bu durum, farklı tasarım öğeleri arasındaki daha karmaşık ilişkilerin keşfedilmesini engelleyebilir.
Bu sınırlamayı ele almak için, "özellik alanı" adını verdiğim şeyin etrafında merkezlenen alternatif bir yaklaşım geliştirdim. Özellik alanı, parametrik değişkenlerle sınırlı olmak yerine, derin öğrenme modelleri kullanılarak tasarım özelliklerinin çıkarılması ve analiz edilmesiyle oluşturulur. Bu değişim, yaratıcı uygulayıcıların, özellikler arasındaki ilişkilerin doğal olarak ifade edildiği daha zengin, daha birbirine bağlı bir tasarım alanını keşfetmelerine olanak tanır.
Bu çalışma, her biri beş temel parametreye sahip parametrik bir algoritma aracılığıyla oluşturulan 15.000 3B modelden oluşan sentetik bir veri kümesinin oluşturulmasını içeriyordu. Bu parametreler arasında kabın yüksekliği, tabanın genişliği, üst açıklığın genişliği ve kabın şeklini tanımlayan kontrol noktalarının koordinatları yer alıyordu. Her tasarım çeşidi, belirli bir 3B modele karşılık gelen bir vektör olarak temsil edilir.
Veri kümesi oluşturulduktan sonra, özellik alanını oluşturmak için bir Varyasyonel Otokoder (VAE) kullandım. VAE'ler, girdi verilerini daha küçük, daha yönetilebilir boyutlara soyutlayan bir tür üretken derin sinir ağıdır; buna gizli alan denir. Bu gizli alan, özellik alanının temeli olarak hizmet eder ve farklı tasarım özellikleri arasındaki karmaşık ilişkileri yakalar.
Hem parametrik hem de özellik alanlarını keşfetmedeki temel zorluklardan biri görselleştirmedir. Yüksek boyutlu verileri anlamak ve gezinmek zor olabilir. Beş boyutlu bir tasarım alanı, tasarımcıların modelleri karşılaştırmasını ve özellikleri görselleştirmesini ve karşılaştırmasını zorlaştırır, alanı iki boyuta indirgemek ve nesnelerin çizilmesini ve birbirleriyle karşılaştırılmasını sağlamak için bir boyut azaltma süreci kullandım.
Aşağıdaki görüntü, yüksek boyutlu verileri görselleştirmek için popüler bir boyut azaltma algoritması olan t-Dağıtılmış Stokastik Komşu Gömme (t-SNE) algoritması kullanılarak uzayın görselleştirilmesinin genel sürecini göstermektedir.
Veri kümesi oluşturulduktan sonra, özellik alanını oluşturmak için bir Varyasyonel Otokoder (VAE) kullandım. VAE'ler, girdi verilerini daha küçük, daha yönetilebilir boyutlara soyutlayan bir tür üretken derin sinir ağıdır; buna gizli alan denir. Bu gizli alan, özellik alanının temeli olarak hizmet eder ve farklı tasarım özellikleri arasındaki karmaşık ilişkileri yakalar.
VAE eğitildikten sonra, kodlayıcı, test veri setindeki her bir damarın özelliklerini 32.768 boyuttan, her bir vokselleştirilmiş damarın boyutundan, 128 boyutlu vektörlere, yani gizli vektörlere çıkarmak için kullanıldı. Sonuç olarak, damarların tüm test veri seti, toplam şekli [3.000, 128] olan vektörlere temsil edilir.
Bu görselleştirme yalnızca teknik bir başarı değil; tasarımcılar için önemli bir araçtır. Verilerin karmaşıklığını görsel bir formata indirgeyerek, tasarımcılar tasarım alanındaki kalıpları, kümeleri ve ilişkileri daha kolay belirleyebilirler. Bu, daha bilinçli karar almaya olanak tanır ve yaratıcı keşifler için yeni yollar açar.
Tasarım alanlarının analizi, parametrik ve özellik alanlarının tasarım çözümlerini nasıl temsil ettiği ve düzenlediği arasındaki önemli farkları vurgular. Şekil 6, gemi veri kümesi için Varyasyonel Otokoder (VAE) modeli tarafından oluşturulan özellik tasarım alanının 2B görselleştirmesini sunar. Bu şekilde, benzer morfolojik özelliklere sahip gemilerin doğal olarak birlikte kümelendiğini gözlemliyoruz.
Örneğin, daha ince kaplar çoğunlukla görüntünün sağ üst köşesinde yer alırken, daha büyük ve daha hacimli kaplar sol alt köşede yer alır. Bu kümeleme deseni, VAE modelinin tasarım parametreleri ile bunların kap şekli üzerindeki ortaya çıkan etkileri arasındaki karmaşık ilişkileri anlama ve haritalama kapasitesini gösterir.
Tersine, Şekil 7'deki parametrik alanı incelediğimizde farklı bir organizasyon yapısı fark ederiz. İçbükey damarlar görüntünün alt kısmında gruplandırılmış olsa da, kümeleme damarların yüksekliği gibi diğer kritik parametreleri tam olarak dikkate almaz. Bu sınırlama, her bir parametreyi aralarındaki karmaşık ilişkileri keşfetmektense bağımsız olarak ele alma eğiliminde olan parametrik tasarım yaklaşımının doğasında vardır.
Sonuç olarak, parametrik tasarım alanı genellikle kap formlarının tüm karmaşıklığını yakalamada başarısız olur ve bu da olası tasarım sonuçlarının eksik bir temsiline yol açar. Buna karşılık, özellik alanı (yukarıda gösterildiği gibi) şekil, içbükeylik, yükseklik ve genişlikte daha ayrıntılı ve kademeli bir geçişe izin vererek bu özelliklerin nasıl etkileşime girdiği ve evrimleştiği konusunda daha kapsamlı bir anlayış sağlar.
Bu karşılaştırmayı derinleştirmek için, bir kümeleme algoritması—Gürültülü Uygulamaların Yoğunluk Tabanlı Mekansal Kümelenmesi (DBSCAN)—hem parametrik hem de özellik alanlarına uygulanır. Şekil 8, bu kümeleme sürecinin sonuçlarını göstermektedir. Parametrik tasarım alanında, toplam yedi küme belirledim: üç büyük ve dört küçük.
Ancak bu kümeleme, parametrik alanın önemli bir dezavantajını ortaya koyuyor: yerel ölçekte tasarım varyantlarını sezgisel olarak karşılaştırmak için yeterli bilgi sağlamıyor. Aynı küme içinde bile, parametrik alan kap formlarında aşırı farklılıklar gösteriyor ve bu da tasarımların nasıl gruplandırıldığı konusunda bir uyum ve süreklilik eksikliği olduğunu gösteriyor.
Öte yandan, özellik tasarım alanı dokuz ayrı kümeyle daha rafine bir kümeleme yapısı sunar: altı büyük küme ve üç küçük küme. Özellik alanında, farklı kümeler arasındaki geçişler daha akıcıdır ve alanda hareket ettikçe (yerel değişiklikler) ve tüm görselleştirme boyunca (küresel değişiklikler) formlardaki kademeli değişiklikleri yansıtır. Örneğin, daha kısa gemiler sürekli olarak en üstte yer alırken, daha uzun gemiler alt bölümü işgal eder.
Ayrıca, uzayda yatay olarak hareket ederek, içbükeyden dışbükey şekillere doğru bir kayma gözlemliyoruz ve bu da gemi formlarının özelliklerine göre nasıl değiştiğine dair net ve sezgisel bir temsil sunuyor. Özellik uzayındaki bu tutarlı kümeleme, tasarımcıların benzer tasarım alternatifleri arasında daha bilgili ve yerelleştirilmiş karşılaştırmalar yapmalarını sağlayarak tasarım keşif sürecini önemli ölçüde iyileştiriyor.
Bu çalışma, derin öğrenmenin tasarım keşif sürecini önemli ölçüde geliştirebileceğini ve parametrik modellemenin sınırlarının ötesine geçen yeni bir paradigma sunabileceğini göstermektedir. Odak noktasını bireysel parametrelerden karmaşık özellik ilişkilerine kaydırarak, tasarım alanlarının daha kapsamlı ve sezgisel bir keşfine olanak tanıyan bir yöntem geliştirdim.
Özellik Uzay Araştırması, hesaplamalı tasarım alanında önemli bir ilerlemeyi temsil eder. Parametrik modellemenin kısıtlamalarının ötesine geçerek, yeni yaratıcılık ve yenilik düzeyleri açığa çıkar ve tasarımcılara çalışmalarında daha fazla özgürlük ve hassasiyet sunan araçlar sağlar.
Bu yaklaşım yalnızca tasarımcıların araçlarıyla etkileşim kurma biçimini değiştirmekle kalmaz, aynı zamanda neyin başarılabileceğine dair yeni olasılıklar da açar. Teknoloji gelişmeye devam ettikçe, derin öğrenme ve hesaplamalı tasarımın entegrasyonu şüphesiz yaratıcılığın geleceğini şekillendirmede önemli bir rol oynayacaktır.
Daha fazla ayrıntı için veya ortaya çıkan özellik alanını keşfetmek için proje web sitesine: https://tcabezon.github.io/3Dexploration/ veya bu projenin arkasındaki tüm araştırma sürecini içeren "Parametrik Alanın Ötesinde Tasarım Alanı Araştırmasına Alternatif Olarak Özellik Alanı Araştırması" adlı araştırma makalesine bakın.