Для любого исследовательского проекта наступает момент, когда у вас есть набор смутно связанных идей, фрагментов решений и слабо определенных приложений. Они далеки от того, чтобы интегрироваться в проекты, но они могут вдохновить нас по-новому взглянуть на проблемы, которые мы пытаемся решить. Цель этого блога — изложить эти фрагменты, начать обсуждение и, надеюсь, продвинуть некоторые из этих идей.
Линейная алгебра и анализ формы
В вычислительном дизайне нам часто удается избегать сложных математических задач, усложняющих работу с геометрическими данными. Анализ данных Twitter, семейных свойств и других категорийных данных — отличная отправная точка, но дизайн — это еще и геометрическое занятие. Передавая наши математические навыки талантливым разработчикам библиотек и компонентам визуальных скриптов, мы упускаем богатство геометрии, которую создаем каждый день.
С этой целью я работал над фантастической серией лекций Джастина Соломона по трехмерной компьютерной графике и анализу форм. В рамках его курсов в Массачусетском технологическом институте лекции можно бесплатно транслировать на Youtube.
Дальнейшее наблюдение
Машинное обучение на графиках
Начиная с пузырьковых диаграмм, карт циркуляции и даже сеток, математические графики являются привычным явлением в отрасли. Каждый раз, когда мы говорим об отношениях между двумя объектами, эту информацию лучше всего закодировать в графе (связь/ребро между двумя объектами/узлами). Поскольку графики лежат в основе большей части нашей деятельности, я думаю, мы увидим, как отрасль будет постепенно переходить от методов машинного обучения, основанных на изображениях, к подходам, основанным на графах. Ключевым препятствием является то, насколько легко применять различные подходы к машинному обучению. Основы машинного обучения на основе изображений — это хорошо изученная территория, и существует множество способов с помощью простых в использовании библиотек запустить модель. Машинное обучение на основе графов еще не достигло этой точки, но мы доберемся до нее достаточно скоро.
Дальнейшее чтение
Генерация сетки
Продолжая обсуждение графов, важно поговорить о том, как мы генерируем геометрию. Параметрический дизайн — это подход de jour в мире вычислительного дизайна. Для геометрии, где мы можем четко определить правила и параметры, определяющие конечный результат, идеально подходит параметрический дизайн. Это также явно лучший подход, когда у нас нет больших репозиториев обучающих данных. Отсутствие больших хранилищ данных подтолкнуло многие другие отрасли к внедрению машинного обучения и сдержало индустрию AEC (хотя Прецедент меняет эту парадигму, намек, намек…)
Хотя использование машинного обучения для создания сетки все еще находится на стадии исследования и не готово к использованию в реальных проектах, вы должны знать об этом на горизонте. Ниже я прикрепил ссылку на документ, в котором излагается PolyGen, авторегрессивная генеративная модель 3D-сеток, созданная компанией DeepMind (известной благодаря AlphaGo, AlphaStar и искусственному интеллекту, сворачивающему белки). создание сеток из репозитория общих объектов (см. ссылку ShapeNet ниже), и я легко вижу будущее, в котором мы применим этот подход к более простой геометрии.
Дальнейшее чтение
Заключительные мысли
Принятие любой из этих идей требует значительных исследований, поэтому я закончу более доступным предложением. Хорошая алгебра продвинет вас дальше, чем вы ожидаете. SymPy — одна из самых мощных и полезных библиотек Python, которые я обнаружил, и она помогает вам избежать чрезмерно сложной математики, которую вы, возможно, не полностью понимаете.
