Hatten Sie jemals eine Idee für etwas, das cool aussah, aber in der Praxis nicht intestine funktionierte? Wenn es um die Gestaltung von Dingen wie Dekoration und persönlichen Accessoires geht, können Modelle der generativen künstlichen Intelligenz (genAI) eine Rolle spielen. Sie können kreative und aufwändige 3D-Designs erstellen, aber wenn man versucht, solche Blaupausen in reale Objekte umzuwandeln, halten sie dem alltäglichen Gebrauch meist nicht stand.
Das zugrunde liegende Downside besteht darin, dass genAI-Modellen oft ein Verständnis der Physik fehlt. Während Instruments wie die von Microsoft GITTER Wenn das System aus einer Textaufforderung oder einem Bild ein 3D-Modell erstellen kann, ist das Design beispielsweise für einen Stuhl möglicherweise instabil oder weist nicht verbundene Teile auf. Das Modell versteht nicht vollständig, wozu Ihr beabsichtigtes Objekt dienen soll. Selbst wenn Ihr Sitz additionally in 3D gedruckt werden kann, würde er wahrscheinlich unter der Kraft einer sitzenden Individual auseinanderfallen.
Um diese Entwürfe in der realen Welt zum Laufen zu bringen, unterziehen Forscher des Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT generative KI-Modelle einem Realitätscheck. Ihr „PhysiOpt“-System erweitert diese Instruments durch physikalische Simulationen, sodass Blaupausen für persönliche Gegenstände wie Tassen, Schlüsselhalter und Buchstützen beim 3D-Druck wie vorgesehen funktionieren. Es testet schnell, ob die Struktur Ihres 3D-Modells realisierbar ist, indem es kleinere Formen sanft modifiziert und gleichzeitig sicherstellt, dass das Gesamterscheinungsbild und die Funktion des Designs erhalten bleiben.
Sie können einfach in PhysiOpt eingeben, was Sie erstellen möchten und wofür es verwendet werden soll, oder ein Bild auf die Benutzeroberfläche des Methods hochladen, und in etwa einer halben Minute erhalten Sie ein realistisches 3D-Objekt zum Herstellen. CSAIL-Forscher veranlassten sie beispielsweise, ein „Flamingo-förmiges Trinkglas“ zu entwickeln, das sie in 3D zu einem Trinkglas mit einem Griff und einer Foundation druckten, die dem Bein des tropischen Vogels ähneln. Während der Entwurf erstellt wurde, nahm PhysiOpt geringfügige Verfeinerungen vor, um sicherzustellen, dass der Entwurf strukturell einwandfrei warfare.
„PhysiOpt kombiniert GenAI und physikalisch-basierte Formoptimierung und hilft praktisch jedem, die gewünschten Designs für einzigartige Accessoires und Dekorationen zu erstellen“, sagt Xiao Sean Zhan SM ’25, Doktorand in Elektrotechnik und Informatik (EECS) am MIT und CSAIL-Forscher, der Co-Hauptautor von a ist Papier die Arbeit vorstellen. „Es handelt sich um ein automatisches System, das es Ihnen ermöglicht, die Type unter bestimmten Einschränkungen physisch herstellbar zu machen. PhysiOpt kann seine Kreationen so oft wiederholen, wie Sie möchten, ohne zusätzliche Schulung.“
Mit diesem Ansatz können Sie ein „intelligentes Design“ erstellen, bei dem der KI-Generator Ihren Artikel auf der Grundlage der Benutzerspezifikationen erstellt und dabei die Funktionalität berücksichtigt. Sie können Ihr bevorzugtes generatives 3D-KI-Modell anschließen, und nachdem Sie eingegeben haben, was Sie generieren möchten, geben Sie an, wie viel Kraft oder Gewicht das Objekt aushalten soll. Dies ist eine gute Möglichkeit, den realen Gebrauch zu simulieren, beispielsweise um vorherzusagen, ob ein Haken stark genug ist, um Ihren Mantel zu halten. Benutzer geben außerdem an, aus welchen Materialien sie den Artikel herstellen (z. B. Kunststoff oder Holz) und wie er gestützt wird – beispielsweise steht eine Tasse auf dem Boden, während eine Buchstütze an einer Büchersammlung lehnt.
Angesichts der Besonderheiten beginnt PhysiOpt mit der iterativen Optimierung des Objekts. Unter der Haube läuft eine physikalische Simulation namens „Finite-Elemente-Analyse“, um das Design einem Stresstest zu unterziehen. Dieser umfassende Scan liefert eine Heatmap über Ihrem 3D-Modell, die anzeigt, wo Ihr Entwurf nicht intestine unterstützt wird. Wenn Sie beispielsweise ein Vogelhaus bauen, stellen Sie möglicherweise fest, dass die Stützbalken unter dem Haus leuchtend rot gefärbt sind, was bedeutet, dass das Haus einstürzen wird, wenn es nicht verstärkt wird.
PhysiOpt kann sogar noch mutigere Stücke erstellen. Forscher sahen diese Vielseitigkeit aus erster Hand, als sie einen Steampunk-Schlüsselanhänger (ein Stil, der viktorianische und futuristische Ästhetik verbindet) mit komplizierten, roboterhaft aussehenden Haken und einem „Giraffentisch“ mit flacher Rückseite herstellten, auf dem man Gegenstände ablegen konnte. Aber woher wusste es, was „Steampunk“ ist oder wie so ein einzigartiges Möbelstück aussehen sollte?
Bemerkenswerterweise ist die Antwort keine umfassende Schulung – zumindest nicht seitens der Forscher. Stattdessen verwendet PhysiOpt ein vorab trainiertes Modell, das bereits Tausende von Formen und Objekten gesehen hat. „Bestehende Systeme benötigen oft viel zusätzliches Coaching, um ein semantisches Verständnis dessen zu entwickeln, was Sie sehen möchten“, fügt Co-Hauptautor Clément Jambon hinzu, der auch Doktorand am MIT EECS und CSAIL-Forscher ist. „Aber wir verwenden ein Modell, bei dem das Gespür für das, was Sie erstellen möchten, bereits integriert ist, sodass PhysiOpt keine Schulung erfordert.“
Durch die Arbeit mit einem vorab trainierten Modell kann PhysiOpt „Formprioritäten“ oder das Wissen darüber, wie Formen basierend auf einem früheren Coaching aussehen sollten, nutzen, um das zu generieren, was Benutzer sehen möchten. Es ist so, als würde ein Künstler den Stil eines berühmten Malers nachbilden. Ihr Fachwissen basiert auf der genauen Untersuchung verschiedener künstlerischer Ansätze, sodass sie wahrscheinlich in der Lage sind, diese bestimmte Ästhetik widerzuspiegeln. Ebenso hilft die Vertrautheit eines vorab trainierten Modells mit Formen bei der Generierung von 3D-Modellen.
CSAIL-Forscher stellten fest, dass das visuelle Know-how von PhysiOpt dazu beitrug, 3D-Modelle effizienter zu erstellen als „DiffIPC„, eine vergleichbare Methode, die Formen simuliert und optimiert. Als beide Ansätze mit der Generierung von 3D-Designs für Gegenstände wie Stühle beauftragt wurden, warfare das System von CSAIL professional Iteration quick zehnmal schneller und schuf gleichzeitig realistischere Objekte.
PhysiOpt stellt eine potenzielle Brücke zwischen Ideen und realen persönlichen Gegenständen dar. Was Sie vielleicht für eine großartige Idee für eine Kaffeetasse halten, könnte bald den Sprung von Ihrem Computerbildschirm auf Ihren Schreibtisch schaffen. Und während PhysiOpt bereits die Stresstests für Designer durchführt, könnte es bald in der Lage sein, Einschränkungen wie Lasten und Grenzen vorherzusagen, anstatt dass Benutzer diese Particulars angeben müssen. Dieser autonomere, vernünftigere Ansatz könnte durch die Einbindung von Imaginative and prescient-Language-Modellen ermöglicht werden, die das Verständnis menschlicher Sprache mit Laptop Imaginative and prescient kombinieren.
Darüber hinaus beabsichtigen Zhan und Jambon, die Artefakte oder zufälligen Fragmente, die gelegentlich in den 3D-Modellen von PhysiOpt auftauchen, zu entfernen, indem sie das System noch physikbewusster machen. Die MIT-Wissenschaftler überlegen auch, wie sie komplexere Einschränkungen für verschiedene Herstellungstechniken modellieren können, beispielsweise die Minimierung überhängender Komponenten für den 3D-Druck.
Zhan und Jambon haben ihre Arbeit mit Kenney Ng ’89, SM ’90, PhD ’00, dem leitenden Forschungswissenschaftler des Watson AI Lab des MIT-IBM Watson, und zwei CSAIL-Kollegen geschrieben: dem Bachelor-Forscher Evan Thompson und der Assistenzprofessorin Mina Konaković Luković, einer leitenden Forscherin im Labor.
Die Arbeit der Forscher wurde teilweise vom MIT-IBM Watson AI Laboratory und der Wistron Corp. unterstützt. Sie präsentierten sie im Dezember auf der SIGGRAPH-Konferenz und Ausstellung über Computergrafik und interaktive Techniken der Affiliation for Computing Equipment in Asien.