ChatGPT و دیگر مدلهای مولد عمیق میتوانند کارهای شگفتانگیزی انجام دهند، مانند نوشتن شعر، ساختن موسیقی و خلق تصاویر جدید. اما آنها همیشه با چیزهایی که قبلا دیدهاند، شبیهسازی میکنند. این بدان معناست که آنها ممکن است چیزهای جدید و بدیع ایجاد کنند، اما اغلب آنها نسخههای جدیدی از چیزهایی هستند که قبلا دیدهایم.
محققان MIT میگویند که مدلهای مولد عمیق (DGM) برای نوآوری در مهندسی کافی نیستند. این مدلها بر شباهت به دادههای آموزشی تمرکز میکنند، اما مهندسان اغلب به دنبال طرحهای کاملاً جدید هستند.
لایل رگنواتر، نویسنده این مطالعه، میگوید: «DGMها ابزارهای قدرتمندی هستند، اما آنها ذاتاً محدود هستند. آنها فقط میتوانند چیزهایی را ایجاد کنند که قبلاً دیدهاند.»
او و همکارانش معتقدند که مهندسان باید DGMها را برای تولید طرحهای جدید و نوآورانه آموزش دهند. این امر مستلزم تغییر نحوه تمرکز این مدلها از شباهت آماری به خلاقیت است.
فائز احمد، استادیار مهندسی مکانیک در MIT میگوید که مدلهای مولد عمیق معمولاً طرحهایی تولید میکنند که شبیه طرحهایی هستند که قبلاً دیدهاند. اما در طراحی، نوآوری اغلب به معنای ایجاد چیزی متفاوت است.
احمد و ریگن وتر، محققان MIT، در مطالعه خود نشان دادند که مدلهای مولد عمیق (DGM) برای حل مشکلات طراحی مهندسی کافی نیستند. این مدلها معمولاً طرحهایی تولید میکنند که شبیه طرحهای قبلی هستند و ممکن است از لحاظ عملکرد یا الزامات مهندسی مناسب نباشند.
در مطالعه موردی طراحی قاب دوچرخه، DGMها فریمهایی تولید کردند که از طرحهای قبلی تقلید میکردند و از لحاظ عملکرد ضعیف بودند. اما زمانی که محققان DGMها را برای تولید طرحهایی با اهداف مهندسی متمرکز کردند، این مدلها فریمهای خلاقانهتر و با کارایی بالاتری تولید کردند.
محققان MIT دریافتند که مدلهای هوش مصنوعی متمرکز بر شباهت برای حل مشکلات مهندسی کافی نیستند. این مدلها معمولاً طرحهایی تولید میکنند که شبیه طرحهای قبلی هستند و ممکن است از لحاظ عملکرد یا الزامات مهندسی مناسب نباشند.
با این حال، محققان میگویند که با برنامهریزی دقیق معیارهای متناسب با وظیفه، مدلهای هوش مصنوعی میتوانند یک ابزار ارزشمند برای مهندسان باشند. این مدلها میتوانند به مهندسان کمک کنند تا محصولات نوآورانهتری را سریعتر و کارآمدتر تولید کنند.
حل مشکل در مدلهای مولد عمیق
مدلهای مولد عمیق (DGM) ابزارهای قدرتمندی هستند که میتوانند از دادههای عظیم برای تولید محتوای جدید و نوآورانه استفاده کنند. ChatGPT یکی از محبوبترین DGM ها است که میتواند متن، کد، تصاویر و سایر فرمتهای محتوا را ایجاد کند. DALL-E و Stable Diffusion نیز DGM های محبوبی هستند که میتوانند تصاویری را تولید کنند که با دنیای واقعی شباهت زیادی دارند.
مدلهای مولد عمیق (DGM) ابزارهای قدرتمندی هستند که میتوانند از دادههای عظیم برای تولید طرحهای جدید و نوآورانه استفاده کنند. اما در حال حاضر، DGM ها اغلب از طرحهای موجود تقلید میکنند و عملکرد آنها از طرحهای موجود بهتر نیست.
فائز احمد، یکی از نویسندگان این مطالعه، میگوید: «طراحانی که با DGM کار میکنند باید هدف آموزشی مدل را بر الزامات طراحی متمرکز کنند. در غیر این صورت، DGM ها طرحهایی تولید میکنند که مشابه طرحهای موجود هستند.»
در مطالعه جدید، یک تیم تحقیقاتی مشکلاتی را در استفاده از مدلهای مولد عمیق (DGM) در طراحی مهندسی شناسایی کرد. آنها دریافتند که DGM های استاندارد به طور خودکار الزامات طراحی خاص را در نظر نمی گیرند.
آنها دریافتند که یک DGM ممکن است دو قاب با ابعاد مشابه را دارای عملکرد مشابه در نظر بگیرد، حتی اگر یکی از آنها از نظر ساختاری ضعیف تر باشد. این به این دلیل است که DGM ها بر اساس شباهت آماری آموزش می بینند، که ممکن است تفاوت های کوچک در طراحی را نادیده بگیرد.
تیم تحقیقاتی پیشنهاد می کند که DGM ها را می توان با استفاده از معیارهای طراحی خاص برای بهبود دقت آنها در طراحی مهندسی اصلاح کرد.
فراتر از مدل مولد عمیق
محققان می خواستند ببینند که یک مدل یادگیری ماشینی که بر روی داده های قاب دوچرخه آموزش دیده است، چه نوع قاب جدیدی تولید می کند. آنها ابتدا یک مدل متداول به نام “GAN” را آزمایش کردند. GAN ها برای تولید محتوای شبیه به داده های آموزشی خود آموزش دیده اند. در این مورد، داده های آموزشی شامل هزاران قاب دوچرخه از طرح های تجاری و غیرتجاری بود.
محققان از یک مدل یادگیری ماشینی برای تولید قاب های دوچرخه جدید استفاده کردند. و این مدل از داده های قاب های دوچرخه موجود یاد گرفت توانست صدها طرح جدید تولید کند.
طرح های اولیه شبیه قاب های موجود بودند، اما هیچ کدام عملکرد بهتری نداشتند. برخی از طرح ها حتی عملکرد بدتری داشتند، زیرا سنگین تر و ضعیف تر بودند.
اولین مدل طرح هایی تولید کرد که سبک تر و قوی تر از طرح های موجود بودند. با این حال، این طرح ها همیشه از نظر فیزیکی امکان پذیر نبودند. به عنوان مثال، برخی از اجزای آنها به درستی متناسب نبودند یا به روش های فیزیکی غیرممکن همپوشانی داشتند.
آخرین مدلی که تیم آزمایش کرد، مدلی بود که Regenwetter برای تولید طرحهای جدیدتر و سازگارتر با محدودیتهای طراحی طراحی کرد. این مدل طرحهایی با عملکرد بالا تولید کرد که از نظر فیزیکی نیز امکانپذیر بودند.
نتیجه گیری
احمد، یکی از نویسندگان این مطالعه، میگوید: «ما دریافتیم که مدلهای یادگیری ماشینی میتوانند طرحهایی تولید کنند که از طرحهای موجود بهتر هستند، به شرطی که از شباهتهای آماری فراتر بروند. این نشان میدهد که هوش مصنوعی میتواند برای ایجاد نوآوری در طراحی استفاده شود.»
اگر بتوان DGM ها را برای اولویتبندی عملکرد، محدودیتهای طراحی و تازگی آموزش داد، میتوان از آنها برای بهبود طراحی محصولات و خدمات در طیف گستردهای از زمینهها، از جمله طراحی مولکولی و مهندسی عمران استفاده کرد.
محققان MIT نشان دادند که DGMها میتوانند برای تولید طرحهای جدید و نوآورانه استفاده شوند، اما برای این کار باید از محدودیتهای آنها آگاه بود. مدلهای مولد عمیق (DGM) معمولاً از طرحهای موجود تقلید میکنند و ممکن است طرحهایی تولید کنند که از لحاظ عملکرد یا قابلیت اطمینان مناسب نباشند. با این حال، اگر DGMها را برای اولویتبندی عملکرد، محدودیتهای طراحی و تازگی آموزش داد، میتوان از آنها برای بهبود طراحی محصولات و خدمات در طیف گستردهای از زمینهها استفاده کرد.
