Un système innovant pour convertir des designs 2D en modèles 3D pour le prototypage rapide
Des chercheurs du Massachusetts Institute of Technology (MIT) et d’autres institutions ont mis au point un système capable d’enseigner à un modèle de vision-langage la conversion automatique de designs 2D en programmes de conception assistée par ordinateur (CAO). Cette méthode promet d’améliorer la précision et la fonctionnalité des modèles générés tout en réduisant considérablement la charge computationnelle.
Traditionnellement, les ingénieurs utilisent des logiciels de CAO pour simuler la performance de composants, tels que ceux utilisés dans l’aéronautique ou l’automobile. Cependant, les modèles d’IA actuels ne produisent souvent que des formes simples, insuffisantes pour des applications pratiques. La nouvelle approche développée par les chercheurs pourrait rationaliser le processus de prototypage rapide et réduire les coûts de production, tout en aidant les ingénieurs à identifier des choix de conception avantageux qu’ils pourraient autrement négliger.
Le système fonctionne en générant de nouvelles données en fonction des capacités du modèle lorsqu’il tente de convertir une image 2D en programme CAO. Il corrige les erreurs du modèle et les intègre dans un ensemble de données contenant des solutions réussies. Cette méthode permet au modèle d’apprendre à corriger des erreurs spécifiques et à s’attaquer à des problèmes complexes.
Le principal auteur de l’étude, Giorgio Giannone, chercheur au laboratoire DeCoDE du MIT, explique que l’objectif est de permettre aux ingénieurs de diriger le cadre vers un modèle CAO sous-performant, de définir un budget de calcul, et de laisser le système optimiser les données d’entraînement en se basant sur ses propres erreurs.
Les chercheurs ont également mis en place un système d’augmentation de données nommé GIFT (Geometric Inference Feedback Tuning), qui génère des données spécifiques pour améliorer la performance d’un modèle de vision-langage dans la génération de CAO. Ce système évalue les forces et les faiblesses du modèle en le testant, puis utilise ces informations pour créer des données qui améliorent sa performance.
GIFT permet de générer des augmentations de données qui sont à la fois conscientes du modèle et de la tâche. En intégrant plusieurs solutions correctes à un même problème, le système enrichit les connaissances générales du modèle en matière de génération de code CAO.
Les résultats préliminaires montrent que GIFT surpasse plusieurs techniques concurrentes, produisant des programmes CAO plus précis tout en utilisant environ 20 % de ressources computationnelles en moins. Les modèles CAO générés par les modèles de vision-langage utilisant GIFT étaient mieux alignés avec les modèles réels.
Les chercheurs envisagent d’élargir GIFT pour enseigner aux modèles à générer des programmes CAO capables d’améliorer la performance et la manufacturabilité des modèles 3D. Cette recherche a été partiellement financée par le MIT-IBM Computing Research Lab.
Source : MIT News.
