© ROOT-NATION.com - Використання контенту дозволено за наявністю зворотнього посилання.
AI-моделі добре справляються з різними завданнями, як-от генерація зображень, написанні текстів чи створення 3D-моделей. Але вони не такі корисні у питанні тестування роботів або конструкцій транспортних засобів у різноманітних середовищах. Щоб створити AI-систему, здатну моделювати різноманітні фізичні сценарії, інженерам потрібен масив фізичних даних у масштабі, який поки що недоступний.
Читайте також: AERONAUT – про все, що літає вище землі: авіація, БПЛА та дрони, ракети та космос
Нейронним мережам потрібно багато часу, щоб отримати навіть кілька зрозумілих їм точок даних. Вони покладаються на алгоритми для розрахунку фізичних властивостей у різних точках 3D-форми, і цей процес займає так багато часу, що обмежує обсяг даних, який можна використати, наприклад, для перевірки безпеки та аеродинамічності конструкцій літаків. Проте дослідники MIT та Tsinghua University розробили новий підхід до попереднього навчання під назвою GeoPT. Він віртуально відтворює повсякденні механічні взаємодії у 3D, показуючи, як частинки зупиняються, досягаючи певної частини об’єкта.
Такі симуляції допомагають моделям зрозуміти, як працює фізика, завдяки чому вони точніше моделюють реальний світ, швидше досягають максимальної продуктивності та навчаються на до 60% меншому обсязі даних порівняно з провідними моделями. Невдовзі проєкт може допомогти прогнозувати, як транспортні засоби, повсякденні предмети чи роботи реагуватимуть на вітер, воду та зіткнення. На думку вчених, ці робота може стати кроком до базової системи, яка допоможе AI-інструментам узагальнювати знання для різних завдань.
“Наша універсальна модель має достатню гнучкість, щоб допомогти створити модель світу для фізики, – каже один з авторів роботи, аспірант MIT Мінгао Гуо. – Багато моделей, наприклад ті, що генерують дані та відео з робототехніки, вже добре орієнтуються в текстових і візуальних даних, але завдяки фізичній точності вони даватимуть більш реалістичні результати”.
Щоб використовувати GeoPT, користувачам достатньо завантажити 3D-моделі таких об’єктів, як військові кораблі, пасажирські літаки та вантажівки, і вказати напрямок та швидкість сили, яку вони хочуть змоделювати. Результатом стає своєрідна теплова карта, яка показує, як об’єкт зазнає впливу в різних місцях. Якщо ви знаєте швидкість і напрямок сили, яку хочете змоделювати, її можна відтворити в GeoPT. Завдяки цьому можна змоделювати, як виглядатиме автомобіль після зіткнення зі стіною, як світло відбивається від об’єктів і чи залишиться човен на плаву під час бурхливих хвиль.
Теж цікаво: Нова загроза індустрії: Геймери створюють власні відеоігри за допомогою AI
Знання GeoPT походять від серії взаємодій між дрібними частинками та складними 3D-формами. GeoPT вивчив 1,3 млн зразків синтетичної динаміки, у яких крихітні сфери рухалися з різною швидкістю та під різними кутами, доки не зупинялися в певній точці об’єкта. Ці частинки фактично “прилипають” до об’єкта після контакту, замість того щоб рухатися крізь нього або відскакувати. Дослідники виявили, що GeoPT добре справлявся з моделюванням промислових сценаріїв і досягав максимальної продуктивності швидше за інші інструменти, водночас потребуючи менше розмічених даних.
На наборі даних зі складними 3D-формами та їхньою реакцією на повітряні потоки й поверхневий тиск GeoPT перевершив найсучасніші моделі за швидкістю, точністю та ефективністю. Аналогічних результатів за швидкістю та точністю було досягнуто під час моделювання реакції винищувачів на вітер. Коли GeoPT тестували для моделювання поведінки корпусу човна під впливом повітря та хвиль, системі знадобилося на 60% менше розмічених даних для відтворення фізичних сил, а максимальної точності вона досягла вчетверо швидше за найкращі базові моделі.
Система також успішно змоделювала, як виглядатимуть різні типи автомобілів після зіткнення з іншим об’єктом. Вона правильно передбачила деформацію 3D-транспортних засобів, використовуючи при цьому менше даних, ніж найсучасніші базові моделі.
“Якщо ваша модель демонструє високі результати в промислових тестах, це означає, що вона здатна вирішувати найскладніші фізичні задачі, – зазначає співавтор статті постдокторант MIT Хайсю Ву. – GeoPT за лічені секунди виконував високоточні симуляції з понад 100 млн точок сітки. Це може зробити цей інструмент надзвичайно корисним для інженерів, які прагнуть перевірити проекти транспортних засобів без проведення великої кількості фізичних експериментів”. Вчені додають, що їхня система є лише попереднім варіантом великої моделі, над якою вони працюють. Команда планує масштабувати систему, навчаючи її на більшій кількості форм і моделюючи складніші фізичні явища.
Читайте також: Вперше в історії: AI створив нові віруси з нуля