Simulirajte Racionalizacijo V Realnem času

Običajno traja nekaj ur ali cel dan za preizkus aerodinamičnih lastnosti preoblikovanega avtomobila, letala ali drugega predmeta, saj mora računalnik reševati zapleten sistem enačb za izračun pretoka zraka okoli modela.

Znanstvenik Nobuyuki Umetani iz Autodesk Research (zdaj na tokijski univerzi) in Bernd Bickel z Inštituta za znanost in tehnologijo Avstrija (IST Avstrija) sta zdaj ta postopek bistveno pospešila, tako da so racionalizacija in tlačna polja zdaj na voljo v realnem času. Vaša metoda prvič uporablja strojno učenje za modeliranje toka okrog nenehno urejenih 3D predmetov.

Ideja je nastala v razpravi

Strojno učenje lahko znatno pospeši izjemno zamudne izračune. Do zdaj je izračun aerodinamičnih lastnosti avtomobilov trajal cel dan. "S strojnim učenjem lahko predvidimo pretočno polje v delih sekunde," razlaga Nobuyuki Umetani. Zamisel o uporabi strojnega učenja je nastala v razpravi med dvema znanstvenikoma, ki že leta sodelujeta. "Obe si delita vizijo hitrejše simulacije," pojasnjuje Bickel. "Želimo, da bi ljudje lahko interaktivno oblikovali predmete, zato sodelujemo pri razvoju metod, ki temeljijo na podatkih."

3D predmeti postavljajo velike zahteve za strojno učenje

Zaradi strogih zahtev strojnega učenja je bilo izredno težko uporabiti metodo za modeliranje pretočnih polj. Za strojno učenje morajo biti strukturirani tako vhodni kot izhodni podatki. To dobro deluje pri dvodimenzionalnih slikah, ki jih je mogoče enostavno predstaviti z navadno razporeditvijo pik. Če pa 3D objekt predstavljajo majhne enote, kot je mreža trikotnikov, se lahko razporeditev teh enot spremeni, ko se spremeni oblika. Dva podobna predmeta bi torej lahko za računalnikom izgledala zelo različno, če bi jih predstavljalo drugo omrežje. Naprava potem ne bi mogla prenašati informacij, pridobljenih iz enega obrazca v drugega.

SEMINARSKI NASVET S spletnim tečajem »Strojno učenje - kako se stroj uči?« Se lahko poglobite v metodologijo. Profesor van der Smagt - vodja umetne inteligence pri Volkswagnu - udeležencem v dveh urah razloži najpomembnejše koncepte strojnega učenja na zgoščen in zgoščen način.

Nadaljne informacije

Polikube rešujejo težavo z visoko natančnostjo

Rešitev je izhajala iz ideje Nobuyuki Umetanija o uporabi tako imenovanih polikubub, da bi plesni bili obvladljivi za strojno učenje. Ta pristop - prvotno razvit za dodajanje tekstur predmetom v računalniški animaciji - pri predstavljanju predmetov uporablja stroga pravila. Model predstavlja le majhno število velikih kock. Te se nato natančno določijo in razdelijo na manjše. Tako predstavljeni predmeti s podobnimi oblikami imajo tudi podobne strukture podatkov, ki jih je mogoče ovrednotiti in primerjati z metodami strojnega učenja.

Raziskovalci so v svoji študiji lahko tudi pokazali, da njihova metoda dosega impresivno natančnost, kar je pomembna zahteva pri načrtovanju novih avtomobilov. Nobuyuki Umetani pojasnjuje: "Če simulacije izvajamo na klasičen način, se rezultati za vsako preizkušeno obliko na koncu zavržejo po izračunu. To pomeni, da se vsak nov izračun začne iz nič. Pri strojnem učenju uporabljamo podatke iz prejšnjih izračunov. Torej se natančnost poveča, ko ponovimo izračun."

Metodo znanstvenikov so predstavili na priznani konferenci SIGGRAPH. Izvirno publikacijo si lahko preberete tukaj.