![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Các ranh giới của thiết kế liên tục được đẩy mạnh nhờ sự tích hợp của các công nghệ tiên tiến. Khi các phương pháp tính toán tiến bộ, các nhà thiết kế được trang bị các công cụ mới giúp nâng cao tiềm năng sáng tạo của họ, cho phép khám phá chưa từng có các không gian thiết kế phức tạp.
Một trong những cách tiếp cận sáng tạo đó là Feature Space Exploration, một phương pháp vượt qua những hạn chế của thiết kế tham số truyền thống bằng cách khai thác sức mạnh của học sâu.
Trong nghiên cứu trước đây của tôi tại Đại học Carnegie Mellon, tôi tập trung vào việc phát triển một khuôn khổ khám phá thiết kế mới lạ tận dụng học sâu để tạo ra các không gian tính năng. Các không gian này cung cấp một cách trực quan và toàn diện hơn để khám phá các giải pháp thiết kế, vượt ra ngoài bản chất hạn chế của thiết kế tham số. Dự án được trình bày ở đây đánh dấu một bước tiến đáng kể về cách các nhà thiết kế có thể tương tác với các tập dữ liệu phức tạp và khám phá những khả năng mới trong công việc của họ.
Thiết kế tham số từ lâu đã là nền tảng của thiết kế tính toán, cho phép các nhà thiết kế tạo ra nhiều biến thể của một khái niệm bằng cách điều chỉnh một tập hợp các tham số được xác định trước. Tuy nhiên, trong khi cách tiếp cận này mang lại sự linh hoạt, nó cũng áp đặt những hạn chế. Không gian tham số thường hạn chế nhà thiết kế vào một tập hợp các khả năng hẹp, được xác định bởi chính các tham số.
Điều này có thể cản trở việc khám phá các mối quan hệ phức tạp hơn giữa các yếu tố thiết kế khác nhau.
Để giải quyết hạn chế này, tôi đã phát triển một phương pháp tiếp cận thay thế tập trung vào cái mà tôi gọi là "không gian tính năng". Thay vì bị giới hạn trong các biến tham số, không gian tính năng được tạo ra bằng cách trích xuất và phân tích các tính năng thiết kế bằng các mô hình học sâu. Sự thay đổi này cho phép những người thực hành sáng tạo khám phá một không gian thiết kế phong phú hơn, kết nối chặt chẽ hơn, nơi các mối quan hệ giữa các tính năng được thể hiện một cách tự nhiên.
Nghiên cứu này liên quan đến việc tạo ra một tập dữ liệu tổng hợp gồm 15.000 mô hình 3D, mỗi mô hình được tạo ra thông qua một thuật toán tham số với năm tham số chính. Các tham số này bao gồm chiều cao của bình, chiều rộng của đáy, chiều rộng của lỗ mở trên cùng và tọa độ của các điểm điều khiển xác định hình dạng của bình. Mỗi biến thể thiết kế được biểu diễn dưới dạng một vectơ, tương ứng với một mô hình 3D cụ thể.
Sau khi bộ dữ liệu được tạo ra, tôi đã sử dụng một Variational Autoencoder (VAE) để xây dựng không gian đặc điểm. VAE là một loại mạng nơ-ron sâu sinh ra, trừu tượng hóa dữ liệu đầu vào thành các chiều nhỏ hơn, dễ quản lý hơn—được gọi là không gian tiềm ẩn. Không gian tiềm ẩn này đóng vai trò là nền tảng cho không gian đặc điểm, nắm bắt các mối quan hệ phức tạp giữa các đặc điểm thiết kế khác nhau.
Một trong những thách thức chính trong việc khám phá cả không gian tham số và không gian đặc điểm là trực quan hóa. Dữ liệu nhiều chiều có thể khó hiểu và khó điều hướng. Không gian thiết kế năm chiều khiến các nhà thiết kế khó so sánh các mô hình và trực quan hóa cũng như so sánh các đặc điểm, tôi đã sử dụng quy trình giảm chiều để giảm không gian xuống còn hai chiều và cho phép các đối tượng được vẽ và so sánh với nhau.
Hình ảnh bên dưới cho thấy toàn bộ quá trình trực quan hóa không gian bằng thuật toán t-Distributed Stochastic Neighbour Embedding (t-SNE), một thuật toán giảm chiều phổ biến để trực quan hóa dữ liệu có nhiều chiều.
Sau khi bộ dữ liệu được tạo ra, tôi đã sử dụng một Variational Autoencoder (VAE) để xây dựng không gian đặc điểm. VAE là một loại mạng nơ-ron sâu sinh ra, trừu tượng hóa dữ liệu đầu vào thành các chiều nhỏ hơn, dễ quản lý hơn—được gọi là không gian tiềm ẩn. Không gian tiềm ẩn này đóng vai trò là nền tảng cho không gian đặc điểm, nắm bắt các mối quan hệ phức tạp giữa các đặc điểm thiết kế khác nhau.
Sau khi VAE được đào tạo, bộ mã hóa được sử dụng để trích xuất các đặc điểm của từng mạch máu trong tập dữ liệu thử nghiệm từ 32.768 chiều, kích thước của từng mạch máu voxelized, thành các vectơ 128 chiều, các vectơ tiềm ẩn. Do đó, toàn bộ tập dữ liệu thử nghiệm của các mạch máu được biểu diễn thành các vectơ có hình dạng tổng thể là [3.000, 128].
Hình ảnh trực quan này không chỉ là một thành tựu kỹ thuật; nó là một công cụ quan trọng đối với các nhà thiết kế. Bằng cách giảm độ phức tạp của dữ liệu thành định dạng trực quan, các nhà thiết kế có thể dễ dàng xác định các mẫu, cụm và mối quan hệ trong không gian thiết kế hơn. Điều này cho phép đưa ra quyết định sáng suốt hơn và mở ra những con đường mới cho việc khám phá sáng tạo.
Phân tích không gian thiết kế làm nổi bật sự khác biệt đáng kể giữa cách không gian tham số và không gian đặc điểm thể hiện và tổ chức các giải pháp thiết kế. Hình 6 trình bày hình ảnh trực quan 2D của không gian thiết kế đặc điểm được tạo ra bởi mô hình Variational Autoencoder (VAE) cho tập dữ liệu mạch máu. Trong hình này, chúng tôi quan sát thấy các mạch máu có đặc điểm hình thái tương tự nhau được nhóm lại với nhau một cách tự nhiên.
Ví dụ, các mạch mỏng hơn chủ yếu nằm ở góc trên bên phải của hình ảnh, trong khi các mạch lớn hơn, cồng kềnh hơn chiếm góc dưới bên trái. Mẫu cụm này minh họa khả năng của mô hình VAE trong việc hiểu và lập bản đồ các mối quan hệ phức tạp giữa các thông số thiết kế và ảnh hưởng của chúng đến hình dạng của mạch.
Ngược lại, khi xem xét không gian tham số trong Hình 7, chúng ta nhận thấy một cấu trúc tổ chức khác. Mặc dù các mạch lõm được nhóm lại ở dưới cùng của hình ảnh, nhưng việc phân cụm không xem xét đầy đủ các thông số quan trọng khác như chiều cao của các mạch. Hạn chế này vốn có trong phương pháp thiết kế tham số, có xu hướng xử lý từng thông số một cách độc lập thay vì khám phá các mối quan hệ phức tạp giữa chúng.
Kết quả là, không gian thiết kế tham số thường không nắm bắt được toàn bộ sự phức tạp của các hình dạng mạch, dẫn đến việc thể hiện không đầy đủ các kết quả thiết kế có thể có. Ngược lại, không gian đặc điểm (như thể hiện ở trên) cho phép chuyển đổi dần dần và sắc thái hơn về hình dạng, độ lõm, chiều cao và chiều rộng, cung cấp sự hiểu biết toàn diện hơn về cách các đặc điểm này tương tác và phát triển.
Để đào sâu hơn sự so sánh này, một thuật toán phân cụm—Phân cụm không gian dựa trên mật độ của các ứng dụng có nhiễu (DBSCAN) — được áp dụng cho cả không gian tham số và không gian đặc điểm. Hình 8 minh họa kết quả của quá trình phân cụm này. Trong không gian thiết kế tham số, tôi đã xác định tổng cộng bảy cụm: ba cụm lớn và bốn cụm nhỏ.
Tuy nhiên, việc phân cụm này cho thấy một nhược điểm đáng kể của không gian tham số—nó không cung cấp đủ thông tin để so sánh trực quan các biến thể thiết kế ở quy mô cục bộ. Ngay cả trong cùng một cụm, không gian tham số cho thấy sự thay đổi cực độ về hình dạng mạch, cho thấy sự thiếu gắn kết và tính liên tục trong cách nhóm các thiết kế.
Mặt khác, không gian thiết kế tính năng trình bày một cấu trúc cụm tinh tế hơn với chín cụm riêng biệt: sáu cụm chính và ba cụm nhỏ hơn. Trong không gian tính năng, các chuyển đổi giữa các cụm khác nhau mượt mà hơn, phản ánh những thay đổi dần dần về hình dạng khi chúng ta di chuyển qua không gian (thay đổi cục bộ) và trên toàn bộ hình ảnh (thay đổi toàn cục). Ví dụ, các mạch ngắn hơn luôn nằm ở phía trên, trong khi các mạch cao hơn chiếm phần dưới cùng.
Hơn nữa, khi di chuyển theo chiều ngang qua không gian, chúng ta quan sát thấy sự thay đổi từ hình dạng lõm sang hình dạng lồi, cung cấp một biểu diễn rõ ràng và trực quan về cách các hình dạng tàu thay đổi liên quan đến các đặc điểm của chúng. Sự tập hợp gắn kết này trong không gian đặc điểm cho phép các nhà thiết kế thực hiện các so sánh có thông tin và cục bộ hơn giữa các phương án thiết kế tương tự, tăng cường đáng kể quá trình khám phá thiết kế.
Công trình này chứng minh rằng học sâu có thể cải thiện đáng kể quá trình khám phá thiết kế, cung cấp một mô hình mới vượt ra ngoài những hạn chế của mô hình tham số. Bằng cách chuyển trọng tâm từ các tham số riêng lẻ sang các mối quan hệ tính năng phức tạp, tôi đã phát triển một phương pháp cho phép khám phá không gian thiết kế toàn diện và trực quan hơn.
Feature Space Exploration đại diện cho một bước tiến đáng kể trong lĩnh vực thiết kế tính toán. Bằng cách vượt qua những hạn chế của mô hình tham số, các cấp độ sáng tạo và đổi mới mới được mở khóa, cung cấp cho các nhà thiết kế các công cụ mang lại sự tự do và độ chính xác cao hơn trong công việc của họ.
Cách tiếp cận này không chỉ thay đổi cách các nhà thiết kế tương tác với các công cụ của họ mà còn mở ra những khả năng mới cho những gì có thể đạt được. Khi công nghệ tiếp tục phát triển, việc tích hợp học sâu và thiết kế tính toán chắc chắn sẽ đóng vai trò quan trọng trong việc định hình tương lai của sự sáng tạo.
Để biết thêm chi tiết hoặc khám phá không gian tính năng kết quả, hãy tham khảo trang web của dự án: https://tcabezon.github.io/3Dexploration/ hoặc bài báo nghiên cứu: "Khám phá không gian tính năng như một giải pháp thay thế cho khám phá không gian thiết kế ngoài không gian tham số" bao gồm toàn bộ quá trình nghiên cứu đằng sau dự án này.