|
Neue Software verwendet erstmals maschinelles Lernen um Strömungsfelder um interaktiv
designbare 3D-Objekte zu berechnen. Methode wird auf der renommierten SIGGRAPH-Konferenz vorgestellt
Vancouver/Tokio/Wien (ist) - Wollen Ingenieure oder Designer die aerodynamischen Eigenschaften eines neu
gestalteten Autos, eines Flugzeugs oder anderer Objekte testen, lassen sie den Computer normalerweise ein komplexes
System von Gleichungen lösen, um den Luftstrom um das Objekt zu modellieren – ein Verfahren, das Stunden oder
gar einen Tag in Anspruch nimmt. Nobuyuki Umetani von Autodesk Research (jetzt an der Universität Tokio) und
Bernd Bickel vom Institute of Science and Technology Austria (IST Austria) haben diesen Prozess deutlich beschleunigt,
sodass Stromlinien und Druckfeld nun in Echtzeit verfügbar sind. Ihre Methode, die erstmals maschinelles Lernen
zur Modellierung der Strömung um kontinuierlich editierbare 3D-Objekte nutzt, wird auf der renommierten SIGGRAPH-Konferenz
in Vancouver vorgestellt, an der IST Austria-Forscher heuer mit insgesamt fünf Präsentationen beteiligt
sind.
Maschinelles Lernen kann extrem zeitaufwendige Berechnungen deutlich beschleunigen. Bisher dauerte die Berechnung
der aerodynamischen Eigenschaften von Autos einen kompletten Tag. "Durch maschinelles Lernen können wir
das Strömungsfeld in Sekundenbruchteilen vorhersagen", erklärt Nobuyuki Umetani. Die Idee, maschinelles
Lernen zu nutzen, entstand in einer Diskussion zwischen den beiden Wissenschaftlern, die seit Jahren zusammenarbeiten.
"Wir beide teilen die Vision, Simulationen schneller zu machen", erklärt IST Austria-Professor Bernd
Bickel. "Wir wollen, dass Menschen interaktiv Objekte entwerfen können, daher arbeiten wir zusammen,
um datengetriebene Methoden zu entwickeln."
Wegen der strengen Anforderungen des maschinellen Lernens war es bisher extrem schwierig, die Methode auf die Modellierung
von Strömungsfeldern anzuwenden. Für maschinelles Lernen müssen sowohl die Eingabe- als auch die
Ausgabedaten strukturiert sein. Dies funktioniert gut für zweidimensionale Bilder, die durch eine regelmäßige
Anordnung von Pixeln leicht dargestellt werden können. Wird jedoch ein 3D-Objekt durch kleine Einheiten dargestellt
wird, wie zum Beispiel durch ein Netz aus Dreiecken, kann sich die Anordnung dieser Einheiten ändern, wenn
sich eine Form ändert. Zwei sehr ähnliche Objekte könnten daher für einen Computer sehr unterschiedlich
aussehen, wenn sie durch ein anderes Netz repräsentiert werden. Die Maschine wäre dann nicht in der Lage,
gewonnene Information über die eine Form auf die andere zu übertragen.
Die Lösung kam durch Nobuyuki Umetanis Idee, sogenannte Polycubes zu verwenden, um die Formen für maschinelles
Lernen handhabbar zu machen. Dieser Ansatz - ursprünglich entwickelt um Objekte in Computeranimationen mit
Texturen zu versehen - verwendet strenge Regeln bei der Darstellung von Objekten. Ein Modell wird erst durch eine
kleine Anzahl großer Würfel dargestellt. Diese werden dann verfeinert und nach einem genau definierten
Verfahren in kleinere unterteilt. Auf diese Weise dargestellt, haben Objekte mit ähnlichen Formen auch ähnliche
Datenstrukturen, die von maschinellen Lernmethoden ausgewertet und verglichen werden kann.
Die Forscher konnten in ihrer Studie auch zeigen, dass ihre Methode eine beeindruckende Genauigkeit erreicht, was
beim Design neuer Autos eine wichtige Voraussetzung ist. Nobuyuki Umetani erklärt: "Wenn Simulationen
auf klassische Weise durchgeführt werden, werden die Ergebnisse für jede getestete Form nach der Berechnung
schließlich verworfen. Dies bedeutet, dass jede neue Berechnung von Grund auf neu gestartet wird. Beim maschinellen
Lernen nutzen wir die Daten früherer Berechnungen. So steigt die Genauigkeit, wenn wir die Berechnung wiederholen."
|
