Nyt interaktivt maskinlæringsværktøj gør bildesign mere aerodynamisk

Når ingeniører eller designere ønsker at teste de aerodynamiske egenskaber af den nydesignede form af en bil, fly, eller anden genstand, de ville normalt modellere luftstrømmen omkring objektet ved at lade en computer løse et komplekst sæt ligninger - en procedure, der normalt tager timer, eller endda en hel dag. Nobuyuki Umetani fra Autodesk research (nu ved University of Tokyo) og Bernd Bickel fra Institute of Science and Technology Austria (IST Austria) har nu markant fremskyndet denne proces, gøre strømlinjer og parametre tilgængelige i realtid. Deres metode, som er den første til at bruge maskinlæring til at modellere flow omkring kontinuerligt redigerbare 3D-objekter, vil blive præsenteret på dette års prestigefyldte SIGGRAPH-konference i Vancouver, hvor IST Østrig-forskere er involveret i i alt fem oplæg.

Maskinlæring kan gøre ekstremt tidskrævende metoder meget hurtigere. Før, beregningen af ​​bilers aerodynamiske egenskaber tog normalt en dag. "Med vores maskinlæringsværktøj, vi er i stand til at forudsige flowet i brøkdele af et sekund, " siger Nobuyuki Umetani. Idéen til at bruge maskinlæring kom op i en diskussion mellem de to mangeårige samarbejdspartnere. "Vi deler begge visionen om at gøre simuleringer hurtigere, " forklarer IST Østrig-professor Bernd Bickel. "Vi ønsker, at folk skal være i stand til at designe objekter interaktivt, og derfor arbejder vi sammen om at udvikle datadrevne metoder, " tilføjer han.

Indtil nu, det har været ekstremt udfordrende at anvende maskinlæring på problemet med modellering af flowfelter omkring objekter på grund af metodens restriktive krav. Til maskinlæring, både input- og outputdata skal struktureres konsekvent. Denne strukturering af information fungerer godt for 2-D-billeder, hvor et billede nemt kan repræsenteres ved et regulært arrangement af pixels. Men hvis et 3D-objekt er repræsenteret af enheder, der definerer dets form, såsom et net af trekanter, arrangementet af disse enheder kan ændre sig, hvis formen ændres. To genstande, der ligner en person meget, kan derfor se meget forskellige ud for en computer, da de er repræsenteret af et andet mesh, og maskinen ville derfor ikke være i stand til at overføre oplysningerne om den ene til den anden.

Løsningen kom fra Nobuyuki Umetanis idé om at bruge såkaldte polycubes til at gøre formerne overskuelige til maskinlæring. Denne tilgang, som oprindeligt blev udviklet til at anvende teksturer på objekter i computeranimationer, har strenge regler for gengivelse af objekterne. En model starter med et lille antal store terninger, som derefter raffineres og opdeles i mindre efter en veldefineret procedure. Hvis repræsenteret på denne måde, objekter med lignende former vil have en lignende datastruktur, som maskinlæringsmetoder kan håndtere og sammenligne.

Forskerne beviste også i deres undersøgelse, at maskinlæringsmetoden opnår en imponerende nøjagtighed, en forudsætning for ingeniørarbejde. Nobuyuki Umetani forklarer:"Når simuleringer laves på den klassiske måde, resultaterne for hver testet form bliver til sidst smidt væk efter beregningen. Det betyder, at hver ny beregning starter fra bunden. Med maskinlæring, vi gør brug af data fra tidligere beregninger, og hvis vi gentager en beregning, nøjagtigheden øges."