Iko kad si imao ideju za jedinstven, vizualno privlačan dodatak ili dekorativni predmet koji se samo ne može pretvoriti u stvarnost? Generativni modeli umjetne inteligencije (genAI) mogu stvoriti sjajne 3D dizajne, ali kada dolazi do izrade tih dizajna u funkcionalne, svakodnevne predmete, rezultati često ostaju ispod očekivanja. Problem leži u nedostatku razumijevanja fizike u ovim AI modelima. Alati poput sustava TRELLIS tvrtke Microsoft mogu generirati 3D modele iz tekstualnih upita ili slika, ali dizajni mogu biti nestabilni ili imati odvojeni dijelovi, što ih čini nepraktičnim za stvarni svijet.
Da bi se riješio ovaj izazov, istraživači na MIT-ovom Odjelu za računarstvo i umjetnu inteligenciju (CSAIL) razvili su revolucionarni sustav zvani “PhysiOpt”. Ovaj inovativni pristup kombinira generativnu AI s fizičkim simulacijama kako bi stvorio funkcionalne, stvarne predmete. PhysiOpt osigurava da 3D modeli generirani putem AI-a imaju čvrstu strukturu i da mogu izdržati svakodnevnu upotrebu. Integracijom fizičkih simulacija u proces dizajna, PhysiOpt može brzo testirati i usavršiti strukturu 3D modela, čineći ih prikladnim za izradu.
Kako radi PhysiOpt
PhysiOpt je korisnički prijateljski sustav koji omogućava svakome da generira funkcionalne dizajne za osobne predmete kao što su šalice, držači ključeva i podstavci za knjige. Korisnici mogu unijeti svoje ideje za dizajn kroz tekstualne upite ili učitati slike, a unutar otprilike pola minute, PhysiOpt pruža realističan 3D model spreman za izradu. Na primjer, istraživači na CSAIL-u upitali su PhysiOpt da generira šalicu u obliku plamenca za piće, koju su zatim 3D ispisali. Rezultirajući dizajn imao je rukohvat i bazu nalik nogama tropskog ptica, a PhysiOpt je napravio male prigodbe kako bi osigurao da dizajn ima čvrstu strukturu.
Pametno generiranje dizajna
Jedna od ključnih značajki PhysiOpt-a je njegova sposobnost stvaranja “pametnih dizajna”. AI generator izrađuje predmet na temelju specifikacija korisnika, uzimajući u obzir funkcionalnost od samog početka. Korisnici mogu uključiti svoje omiljene 3D generativne AI modele i navesti očekivanu snagu ili težinu koju predmet treba izdržati. To omogućava realistične simulacije svakodnevne upotrebe, kao što je predviđanje da li će kuka biti dovoljno jaka da drži palto. Korisnici također navode materijale koje će koristiti za izradu (npr. plastiku ili drvo) i kako će predmet biti poduprt, kao što je šalica koja stoji na podu ili podstavak za knjige koji se naslanja na zbirku knjiga.
Iterativna optimizacija
S tim specifikacijama, PhysiOpt započinje s iterativnom optimizacijom predmeta. Pod vodstvom, pokreće fizičku simulaciju zvanu “analiza konačnih elemenata” kako bi stres testirao dizajn. Ova sveobuhvatna skeniranja pruža toplinsku kartu preko 3D modela, označavajući gdje je dizajn loše poduprt. Na primjer, ako se generira ptica, korisnici mogu otkriti da su podupirni stupovi ispod kućice obojeni žutom bojom, što znači da će kućica propasti ako se ne ojača. PhysiOpt zatim može napraviti potrebne prilagodbe kako bi osigurao da dizajn ima čvrstu strukturu.
Raznolikost PhysiOpt-a
Mogućnosti PhysiOpt-a sežu dalje od jednostavnih, svakodnevnih predmeta. Istraživači su koristili sustav za stvaranje čak i smjelih i složenih dizajna. Na primjer, izradili su držač ključeva u stilu steampunk-a s intrigantnim, robotskim krakama i “žirafu stol” s ravnom natpovršinom za postavljanje predmeta. Ali kako je PhysiOpt znao što je “steampunk”, ili čak kako takav jedinstveni komad namještaja treba izgledati?
Dizajn bez treniranja
Iznenadno, odgovor nije obilježje treniranja. PhysiOpt koristi pretrenirani model koji je već vidio tisuće oblika i predmeta. To omogućava sustavu da razumije semantičko značenje korisničkih unosa bez potrebe za dodatnim treniranjem. “Postojeći sustavi često trebaju mnogo dodatnog treniranja kako bi imali semantičko razumijevanje toga što želite vidjeti,” objašnjava suvoditelj Clement Jambon, MIT EECS doktorand i istraživač na CSAIL-u. “Ali mi koristimo model s tim osjećajem za ono što želite stvoriti već ugrađenim, tako da je PhysiOpt besplatan za treniranje.”
Oblik priora
Radom s pretreniranim modelom, PhysiOpt može koristiti “priorite oblika”, ili znanje o tome kako oblici trebaju izgledati na temelju ranijeg treniranja, kako bi generirao ono što korisnici žele vidjeti. To je poput umjetnika koji ima prirodno osjećanje za to kako bi oblik trebao izgledati, čak i ako ga nikad prije nije vidio. Ovaj pristup omogućava PhysiOpt-u da stvara širok raspon dizajna, od jednostavnih do složenih, bez potrebe za obilnim treniranjem.
Zaključak
PhysiOpt predstavlja značajan napredak u području generativne AI i 3D dizajna. Kombiniranjem kreativnog potencijala AI-a s praktičnim ograničenjima fizike, ovaj sustav omogućava korisnicima da generiraju funkcionalne, stvarne predmete koji se mogu izraditi i koristiti u svakodnevnom životu. Ovaj pristup otvara nove mogućnosti za dizajnere i kreativce, omogućujući im da stvaraju jedinstvene i funkcionalne predmete koji se mogu koristiti u stvarnom svijetu.
Česta pitanja
Kako PhysiOpt poboljšava dizajne generirane putem AI-a?
PhysiOpt koristi fizičke simulacije za testiranje i usavršavanje strukture 3D modela, osiguravajući da dizajni imaju čvrstu strukturu i da mogu izdržati svakodnevnu upotrebu. To uključuje analizu konačnih elemenata koja pruža toplinsku kartu preko 3D modela, označavajući gdje je dizajn loše poduprt.
Koji su predmeti koji se mogu generirati pomoću PhysiOpt-a?
PhysiOpt omogućava generiranje funkcionalnih dizajna za širok raspon osobnih predmeta, uključujući šalice, držače ključeva, podstavke za knjige, držače ključeva u stilu steampunk-a i čak i jedinstvene komade namještaja kao što je “žirafa stol”.
Je li PhysiOpt koristan za profesionalne dizajnere?
Da, PhysiOpt je koristan za profesionalne dizajnere jer omogućava brzo generiranje i usavršavanje funkcionalnih dizajna koji se mogu izraditi i koristiti u stvarnom svijetu. Ovaj pristup otvara nove mogućnosti za kreativce i dizajnere, omogućujući im da stvaraju jedinstvene i funkcionalne predmete.
Kako PhysiOpt razumije semantičko značenje korisničkih unosa?
PhysiOpt koristi pretrenirani model koji je već vidio tisuće oblika i predmeta, omogućavajući sustavu da razumije semantičko značenje korisničkih unosa bez potrebe za dodatnim treniranjem. Ovaj pristup omogućava PhysiOpt-u da stvara širok raspon dizajna, od jednostavnih do složenih, bez potrebe za obilnim treniranjem.