Un estudio encuentra que la IA generativa debe aprender a innovar Ser excelente en diseño de ingeniería, MIT News

ChatGPT y otros modelos profundos Estas supermodelos de IA, que resultan ser una imitación extraña, pueden componer poemas, completar sinfonías y crear nuevos videos e imágenes aprendiendo automáticamente de millones de ejemplos de trabajos anteriores. Estas herramientas poderosas y enormemente versátiles crean contenido nuevo que es similar a cualquier cosa que hayan visto antes.

Pero como dicen los ingenieros del MIT en un nuevo estudio, La similitud no es suficiente si realmente se quiere innovar en ingeniería.

“Los modelos generativos profundos (DGM) son muy prometedores. Pero también es intrínsecamente defectuoso”, afirmó el autor del estudio, Lyle Regenwetter. «El propósito de estos modelos es simular un conjunto de datos», dijo un estudiante de posgrado en ingeniería mecánica en el MIT. Pero como ingeniero y diseñador Por lo general, no queremos construir sobre un diseño existente”.

Él y sus colegas defienden que los ingenieros mecánicos necesitan la ayuda de la IA para generar nuevas ideas y diseños. Deben centrarse en aquellos modelos más allá «Similitud estadística» primero

«El rendimiento de muchos de estos modelos está claramente ligado a la similitud estadística de las muestras generadas con lo que los modelos ya han visto», dijo el coautor Faez Ahmed, profesor asistente de ingeniería mecánica en el MIT. Las diferencias pueden ser importantes si quieres innovar”.

En su estudio, Ahmed y Regenwetter revelaron los peligros de los modelos generativos profundos. Cuando se le asigna la tarea de resolver problemas de diseño de ingeniería. En el estudio de caso del diseño de cuadros de bicicletas. El equipo demostró que estos modelos terminan con un nuevo marco que imita el diseño anterior. Pero los requisitos de rendimiento e ingeniería se reducen.

Cuando los investigadores presentaron el mismo problema del cuadro de una bicicleta a un DGM que diseñaron específicamente con objetivos centrados en la ingeniería en mente. en lugar de simplemente similitud estadística. Estos modelos producen cuadros innovadores y de mayor rendimiento.

Los resultados del equipo muestran que los modelos de IA centrados en similitudes rara vez se traducen cuando se aplican a problemas de ingeniería. Pero como también destacan los investigadores en su estudio, con una planificación cuidadosa de las métricas adecuadas para el trabajo, los modelos de IA pueden ser diseños «copiloto» eficaces.

«Se trata de cómo la IA puede ayudar a los ingenieros a crear productos innovadores mejor y más rápido», dijo Ahmed. Primero debemos entender los requisitos. Este es un paso en esa dirección”.

El nuevo estudio del equipo apareció recientemente en línea y se publicará en la edición impresa de diciembre de la revista. diseño asistido por ordenadorLa investigación fue una colaboración entre científicos informáticos del MIT-IBM Watson AI Lab e ingenieros mecánicos del MIT DeCoDe Lab. Los coautores del estudio incluyen a Akash Srivastava y Dan Gutreund del MIT-IBM Watson AI Lab.

Encuadre el problema

Como escriben Ahmed y Regenwetter, los MDE son “aprendices poderosos. Tiene una capacidad incomparable» para procesar enormes cantidades de datos. DGM es un término amplio para los modelos de aprendizaje automático que están capacitados para aprender la distribución de datos. Luego lo usa para crear contenido nuevo y estadísticamente similar. El muy popular ChatGPT es un tipo de modelo profundo llamado modelo de lenguaje a gran escala, o LLM, que combina capacidades de procesamiento del lenguaje natural en modelos para que las aplicaciones puedan generar imágenes y discursos realistas en respuesta a preguntas de conversación Otros modelos populares Para imágenes son DALL-E y Difusión estable.

Debido a su capacidad para aprender de los datos y crear ejemplos realistas, DGM se utiliza cada vez más en una variedad de dominios de ingeniería. Los diseñadores utilizaron modelos en profundidad para esbozar el nuevo fuselaje. Diseño de metamateriales y formas adecuadas para puentes y automóviles. Pero en su mayor parte El modelo imitará un diseño existente. sin mejorar el rendimiento del diseño existente.

“Los diseñadores que trabajan con DGM a menudo pasan por alto este beneficio. Esto es reutilizar el entrenamiento del modelo para centrarse en los requisitos de diseño», dijo Regenwetter. «Así que la gente está creando diseños que son muy similares al conjunto de datos».

En el nuevo estudio Describe los principales obstáculos al utilizar DGM en ingeniería. Y muestra que el propósito básico del DGM estándar no tiene en cuenta requisitos de diseño específicos. Para demostrar esto El equipo utilizó un caso simple. del diseño del cuadro de bicicleta y muestra que los problemas pueden ocurrir desde las primeras etapas del aprendizaje. A medida que el modelo aprende de miles de cuadros de bicicletas disponibles en varios tamaños y formas, Se pueden considerar dos marcos de tamaño similar para lograr un rendimiento similar. Cuando en realidad hay una ligera desconexión en un solo cuadro. Esto es demasiado pequeño para ser registrado como una diferencia significativa en las métricas de similitud estadística, lo que hace que el marco sea más débil que otros marcos. que se parecen mucho

Aparte de «vainilla»

Las bicicletas se pueden transformar en diferentes tipos de bicicletas, como bicicletas de carretera o bicicletas BMX, y las ruedas de las bicicletas se hacen cada vez más grandes.  Y los marcos cambian según los diferentes estilos.
Animación que muestra un cambio en el diseño de una bicicleta típica.

Crédito: Cortesía de los investigadores.

Los investigadores tomaron una bicicleta como ejemplo para ver qué crearía realmente el diseño del DGM después de aprender de los diseños existentes. Primero probaron redes adversarias generalizadas «vainilla», o GAN, un modelo ampliamente utilizado para sintetizar imágenes y texto. y ha sido optimizado para crear contenido estadísticamente similar. Entrenaron el modelo en miles de conjuntos de datos de cuadros de bicicletas. Esto incluye tanto diseños producidos comercialmente como marcos simples e inusuales diseñados por aficionados.

Cuando el modelo aprende de los datos. Los investigadores pidieron al modelo que creara cientos de nuevos cuadros de bicicletas. Este modelo crea un diseño realista similar a un marco existente. Pero ninguno de los diseños mostró mejoras significativas en el rendimiento. Y algunos son ligeramente inferiores, con marcos sonoros más pesados ​​y menos estructura.

Luego, el equipo realizó las mismas pruebas en otros dos DGM diseñados específicamente para ingeniería. El primer modelo fue uno que Ahmed había desarrollado previamente para crear un diseño de perfil aerodinámico altamente eficiente. Creó este modelo para priorizar la similitud estadística y de rendimiento. Cuando se utiliza con cuadros de bicicleta Este modelo crea un diseño realista que es más ligero y resistente que los diseños existentes. Pero también crea un marco físicamente «incorrecto». con componentes que no encajan o se superponen de una manera que es físicamente imposible

“Vimos diseños significativamente mejores que el conjunto de datos. Pero también diseños geométricamente incompatibles. Esto se debe a que el modelo no se centra en satisfacer las limitaciones de diseño”, afirmó Regenwetter.

El modelo final que probó el equipo fue uno que creó Regenwetter para crear una nueva estructura geométrica. Este modelo ha sido diseñado teniendo en mente las mismas prioridades que sus predecesores. El elemento adicional son las limitaciones de diseño. y priorización práctica de cuadros, por ejemplo, sin desconexiones ni bandas superpuestas. Esta versión final produjo el diseño más eficiente que también era físicamente factible.

«Descubrimos que cuando los modelos tienen algo más que una simple similitud estadística, «Podemos crear diseños mejores que los que ya existen», afirmó Ahmed. «Es un testimonio de lo que la IA puede hacer». Si están claramente capacitados en trabajos de diseño”.

Por ejemplo, si se puede crear un MDE, teniendo en cuenta otras prioridades como el rendimiento y las limitaciones de diseño. Y como novedad, predice Ahmed, “muchos campos de la ingeniería como el diseño molecular y la infraestructura civil se beneficiará enormemente Arrojando luz sobre los posibles peligros de confiar únicamente en la similitud estadística. Esperamos inspirar nuevos caminos y estrategias. en aplicaciones creativas de IA fuera del ámbito multimedia”.

Puede interesarte

Según se informa, Tesla planea lanzar un crossover asequible en 2025

El director ejecutivo de Tesla, Elon Musk, anunció en 2022 planes para una plataforma de …

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *