Nel tentativo di automatizzare la progettazione industriale, i ricercatori della Princeton University e della Columbia University hanno introdotto un ampio set di dati di 15 milioni di progetti bidimensionali assistiti da computer, SketchGraphs. Oltre a ciò per facilitare la ricerca sulla progettazione assistita da ML, hanno anche lanciato una pipeline di elaborazione dati open source.
Introdotto durante la Conferenza internazionale sull’apprendimento automatico, SketchGraphs mira a formare la macchina di intelligenza artificiale con questo ampio set di dati, al fine di sperimentarlo per aiutare gli umani nella creazione di modelli CAD. In un recente articolo , i ricercatori hanno rivelato che ciascuno degli schizzi CAD è rappresentato con un grafico di vincoli geometrici e la comprensione della sequenza di linee e forme in cui il progetto è stato inizialmente creato. Ciò consentirà le previsioni di ciò che verrà progettato successivamente.
Ci sono stati molti set di dati CAD disponibili da voxel o mesh, che hanno permesso agli utenti di lavorare sul campionamento di forme 3D realistiche per la creazione di modelli CAD. Tuttavia, questi modelli non sono in genere modificabili nelle impostazioni di progettazione parametrica e quindi non sono preferiti per i flussi di lavoro di ingegneria. SketchGraphs , d’altra parte, si avvicina alla modellazione parametrica invece di concentrarsi sulla modellazione di forme 3D.
Questo ampio set di dati può essere utilizzato per addestrare i modelli di intelligenza artificiale direttamente dalle applicazioni mirate, semplificando la progettazione del flusso di lavoro da parte degli ingegneri. Inoltre, fornendo una serie di funzioni di rendering per gli schizzi, i ricercatori mirano a consentire il lavoro sull’inferenza CAD dalle immagini.
Il set di dati SketchGraphs per la creazione di modelli CAD
Che vanno da una semplice parte di una macchina a un’intera macchina stessa, i modelli CAD, come AutoCAD, SolidWorks e OnShape possono essere utilizzati per progettare qualsiasi cosa. Tuttavia, il set di dati di SketchGraphs è stato ottenuto dall’API pubblica della piattaforma di sviluppo prodotto OnShape , che include schizzi di 15 anni, ottenendo oltre 15 milioni di schizzi.
Il motivo principale per l’introduzione di SketchGraph da parte dei ricercatori è comprendere la struttura di base della struttura della geometria. E quindi per ogni schizzo CAD, i ricercatori hanno mirato a estrarre le operazioni di costruzione della verità del suolo sia per le primitive geometriche che per i vincoli ad esse associati.
In primo luogo, i ricercatori hanno sfruttato l’API di OnShape per la raccolta dei metadati di tutti i documenti pubblici dal 2015-2020. Ciò ha fornito ai ricercatori due milioni di ID documento univoci. Inoltre, questi documenti unici contenevano più PartStudios, ognuno dei quali menzionava il design del singolo componente di un modello CAD. Dopo aver estratto tutti gli schizzi 2D, omettendo le funzioni non di schizzo, da ciascuno dei PartStudio, i ricercatori hanno realizzato 15 milioni di schizzi.
A sinistra: istogramma delle dimensioni dello schizzo. Al centro: numero di vincoli rispetto al numero di primitive nello schizzo. A destra: grado medio dei nodi rispetto al numero di primitive.
Gli schizzi dovevano inoltre sottostare a criteri specifici per contenere almeno una primitiva geometrica e un vincolo geometrico, al fine di essere inclusi nel set di dati. Quindi il set di dati ha una gamma di ketch a partire da grafici di vincoli più grandi a quelli semplici su una singola forma.
I ricercatori hanno anche notato alcune applicazioni mirate per le quali ritengono che il set di dati di SketchGraph possa essere utile al fine di formare tali modelli. Oltre a ciò, i ricercatori hanno anche messo in evidenza il campo inesplorato delle applicazioni focalizzate progettate da macchine, per le quali SketchGraphs può fungere da banco di prova per ricerche future.
L’articolo ha inoltre dimostrato due casi di set di dati SketchGraphs: Autoconstrain e Generative Modeling. Per entrambi, inferendo condizionalmente i vincoli e la modellazione generativa incondizionata, i ricercatori hanno fornito un benchmark iniziale per queste applicazioni.
Caso in questione: i vincoli automatici, per i quali i ricercatori suggeriscono che trattando le primitive degli schizzi del set di dati come input, i vincoli della verità fondamentale diventano l’obiettivo predittivo. Pubblica che il compito di autoconstrain è prevedere una serie di vincoli dati come input. I ricercatori per questo hanno proposto un modello auto-regressivo basato sulle reti di trasmissione dei messaggi.
Per valutare il modello di Autoconstrain, i ricercatori hanno previsto bordi su un set di dati di test, dove hanno ottenuto una precisione media dei bordi di 0,74. Hanno inoltre dimostrato i vincoli inferiti modificando uno schizzo di esempio e verificando i risultati dello stato risolto.
Insieme a SketchGraphs, il set di dati su larga scala per gli schizzi CAD, i ricercatori hanno anche introdotto una pipeline di elaborazione open source per i progetti con supporto ML. I ricercatori ritengono che una formazione efficace dei modelli di apprendimento automatico per la costruzione di progetti di oggetti abbia un enorme potenziale per incoraggiare flussi di lavoro di progettazione più efficienti per gli ingegneri. Inoltre, “l’apprendimento senza supervisione dei dati di SketchGraphs consentirà tali possibilità per i progetti CAD”, hanno affermato i ricercatori.
