TL;DR
- آیا تا به حال ایدهای برای چیزی داشته اید که جالب به نظر میرسد،.
- اما در عمل به خوبی کار نمیکند؟
- وقتی نوبت به طراحی چیزهایی مانند دکور و لوازم شخصی میرسد،.
چه اتفاقی افتاد
آیا تا به حال ایدهای برای چیزی داشته اید که جالب به نظر میرسد،. اما در عمل به خوبی کار نمیکند؟
وقتی نوبت به طراحی چیزهایی مانند دکور و لوازم شخصی میرسد،. مدلهای هوش مصنوعی مولد (genAI) میتوانند مرتبط باشند.
آنها میتوانند طرحهای سهبعدی خلاقانه و استادانهای تولید کنند،. اما وقتی میخواهید چنین طرحهایی را در اشیاء دنیای واقعی بسازید،.
معمولاً استفاده روزمره را حفظ نمیکنند. مشکل اساسی این است که مدلهای genAI اغلب فاقد درک فیزیک هستند.
در حالی که ابزارهایی مانند سیستم TRELLIS مایکروسافت میتوانند یک مدل سهبعدی را از یک پیام. متنی یا تصویر ایجاد کنند،.
برای مثال،. طراحی آن برای یک صندلی ممکن است ناپایدار باشد یا دارای قطعات جدا شده باشد.
این مدل بهطور کامل نمیداند که شی مورد نظر شما برای انجام چه کاری طراحی شده است،. بنابراین حتی اگر صندلی شما بتواند پرینت سهبعدی شود،.
احتمالاً تحت فشار فردی که مینشیند از هم میپاشد. محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) مدلهای هوش مصنوعی تولیدی را بررسی میکنند.
سیستم «PhysiOpt» آنها این ابزارها را با شبیهسازیهای فیزیک تقویت میکند و طرحهایی را برای اقلام شخصی مانند. فنجان،.
جاکلیدی،. و قفسههای کتاب درست میکند که در پرینت سهبعدی آنطور که در نظر گرفته شدهاند،.
کار کنند. به سرعت بررسی میکند که آیا ساختار مدل سهبعدی شما قابل اجرا است یا خیر،.
به آرامیاشکال کوچکتر را تغییر میدهد و در عین حال از حفظ ظاهر و عملکرد کلی طرح. اطمینان میدهد.
بهعنوان مثال،. محققان CSAIL آن را وادار کردند تا یک "لیوانی به شکل فلامینگو برای نوشیدن" تولید کند که آن.
را به صورت سهبعدی در یک لیوان نوشیدنی با دسته و پایهای شبیه به مناطق گرمسیری. پرینت کردند.
پای پرنده هنگامیکه طرح تولید شد،. PhysiOpt اصلاحات کوچکی انجام داد تا اطمینان حاصل شود که طراحی از نظر ساختاری سالم است.
"PhysiOpt ترکیبی از GenAI و بهینهسازی شکل مبتنی بر فیزیکی است،. و تقریباً به هر کسی کمک میکند تا طرحهایی را که میخواهد برای لوازم جانبی و تزئینات منحصربهفرد.
تولید کند،. میگوید.
" مقاله ارائه کار «این یک سیستم خودکار است که به شما امکان میدهد با توجه به برخی. محدودیتها،.
شکل را بهصورت فیزیکی قابل ساخت بسازید. PhysiOpt میتواند هر چند وقت یکبار که میخواهید، بدون هیچگونه آموزش اضافی، کارهای خود را تکرار کند».
میتوانید مدل سهبعدی هوش مصنوعی مورد علاقه خود را وصل کنید و پس از تایپ آنچه. میخواهید برای تولید،.
تعیین میکنید که جسم چقدر نیرو یا وزن را تحمل کند. این یک روش منظم برای شبیهسازی استفاده در دنیای واقعی است،.
مانند پیش بینی اینکه آیا قلاب به اندازه کافی قوی است تا کت شما را نگه دارد. کاربران همچنین مشخص میکنند که با چه موادی کالا را بسازند (مانند پلاستیک یا چوب)،.
و چگونه از آن پشتیبانی میشود - بهعنوان مثال،. یک فنجان روی زمین می ایستد،.
در حالی که یک کتاب به مجموعهای از کتابها تکیه میدهد. با توجه به مشخصات، PhysiOpt شروع به بهینهسازی مکرر شی میکند.
در زیر کاپوت،. یک شبیهسازی فیزیک به نام «تجزیه و تحلیل عناصر محدود» برای تست استرس طراحی اجرا میشود.
این اسکن جامع یک نقشه حرارتی را بر روی مدل سهبعدی شما ارائه میدهد،. که نشان میدهد طرح اولیه شما به خوبی پشتیبانی نمیشود.
اگر مثلاً یک خانه پرنده تولید میکردید،. ممکن است متوجه شوید که تیرهای نگهدارنده زیر خانه قرمز روشن هستند،.
به این معنی که اگر تقویت نشود،. خانه فرو میریزد.
PhysiOpt میتواند حتی قطعات جسورتر ایجاد کند. محققان این تطبیق پذیری را از نزدیک دیدند که یک کلید استیمپانک (سبکی که زیباییهای ویکتوریایی و.
آینده نگر را در هم میآمیزد) با قلابهای پیچیده و روباتیک و یک "میز زرافه" با. پشتی صاف ساختند که میتوانید وسایل را روی آن قرار دهید.
اما از کجا میدانست که «steampunk» چیست، یا حتی چگونه یک مبلمان منحصربهفرد باید به نظر برسد؟ قابل توجه است که پاسخ، آموزش گسترده نیست – حداقل، نه از سوی محققان.
در عوض،. PhysiOpt از یک مدل از پیشآموزش دیده استفاده میکند که قبلاً هزاران شکل و شی را.
دیده است. Clément Jambon،.
یکی از نویسندگان ارشد،. که همچنین دانشجوی دکترای MIT EECS و محقق CSAIL است،.
میافزاید:. «سیستمهای موجود اغلب به آموزشهای اضافی زیادی نیاز دارند تا درک معنایی از آنچه میخواهید ببینید.» "اما ما.
از مدلی با آن احساس برای آنچه که میخواهید ایجاد کنید استفاده میکنیم،. بنابراین PhysiOpt بدون آموزش است.
با یک مدل از پیشآموزشدیده،. PhysiOpt میتواند از «پیشهای شکل» یا دانش چگونگی شکلگیری شکلها بر اساس آموزشهای قبلی برای تولید آنچه کاربران.
میخواهند ببینند استفاده کند. این به نوعی شبیه یک هنرمند است که سبک یک نقاش مشهور را بازسازی میکند.
تخصص آنها ریشه در مطالعه دقیق انواع رویکردهای هنری دارد،. بنابراین آنها احتمالاً میتوانند آن زیبایی شناسی خاص را منعکس کنند.
به همین ترتیب،. آشنایی یک مدل از پیشآموزشدیده با اشکال به آن کمک میکند تا مدلهای سهبعدی تولید کند.
محققان CSAIL مشاهده کردند که دانش بصری PhysiOpt به آن کمک کرد تا مدلهای سهبعدی را کارآمدتر از. «DiffIPC» ایجاد کند،.
روشی قابل مقایسه که اشکال را شبیهسازی و بهینهسازی میکند. هنگامیکه هر دو روش وظیفه تولید طرحهای سهبعدی برای مواردی مانند صندلی را داشتند،.
سیستم CSAIL در هر تکرار تقریباً 10 برابر سریعتر بود،. در حالی که اشیاء واقعیتر ایجاد میکرد.
PhysiOpt یک پل بالقوه بین ایدهها و اقلام شخصی دنیای واقعی ارائه میدهد. چی بهعنوان مثال،.
ممکن است فکر کنید یک ایده عالی برای یک لیوان قهوه است که میتواند به زودی از. صفحه کامپیوتر شما به میز شما بپرد.
و در حالی که PhysiOpt در حال حاضر تست استرس را برای طراحان انجام میدهد،. ممکن است به زودی قادر به پیش بینی محدودیتهایی مانند بارها و مرزها باشد،.
به جای اینکه کاربران نیاز به ارائه آن جزئیات داشته باشند. این رویکرد مستقلتر و منطقیتر میتواند با ترکیب مدلهای زبان بینایی،.
که درک زبان انسان را با بینایی کامپیوتری ترکیب میکند،. امکانپذیر کند.
علاوه بر این،. ژان و Jambon قصد دارند با ساختن سیستم فیزیکیتر،.
مصنوعات یا قطعات تصادفی را که گهگاه در مدلهای سهبعدی PhysiOpt ظاهر میشوند حذف کنند. دانشمندان MIT همچنین در حال بررسی این موضوع هستند که چگونه میتوانند محدودیتهای پیچیدهتری را برای تکنیکهای مختلف.
ساخت،. مانند به حداقل رساندن اجزای آویزان برای چاپ سهبعدی مدلسازی کنند.
ژان و جامبون مقاله خود را با MIT-IBM نوشتند. Kenney Ng '89،.
دانشمند اصلی آزمایشگاه هوش مصنوعی Watson،. Kenney Ng '89،.
SM '90،. PhD'00 و دو همکار CSAIL:.
محقق مقطع کارشناسی ایوان تامپسون و استادیار مینا کوناکوویچ لوکوویچ،. که محقق اصلی آزمایشگاه است.
کار محققان تا حدی توسط آزمایشگاه هوش مصنوعی MIT-IBM Watson و شرکت Wistron پشتیبانی شد. آنها آن را در ماه دسامبر در کنفرانس و نمایشگاه SIGGRAPH انجمن ماشینهای محاسباتی در زمینه گرافیک کامپیوتری.
و تکنیکهای تعاملی در آسیا ارائه کردند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.