Wanneer ingenieurs of ontwerpers de aerodynamische eigenschappen van de nieuw ontworpen vorm van een auto willen testen, vliegtuig, of ander voorwerp, ze zouden normaal gesproken de luchtstroom rond het object modelleren door een computer een complexe reeks vergelijkingen te laten oplossen - een procedure die gewoonlijk uren duurt, of zelfs een hele dag. Nobuyuki Umetani van Autodesk Research (nu aan de Universiteit van Tokyo) en Bernd Bickel van het Institute of Science and Technology Austria (IST Oostenrijk) hebben dit proces nu aanzienlijk versneld, stroomlijnen en parameters in realtime beschikbaar maken. hun methode, die als eerste machine learning gebruikt om de stroming rond continu bewerkbare 3D-objecten te modelleren, zal worden gepresenteerd op de prestigieuze SIGGRAPH-conferentie van dit jaar in Vancouver, waar IST Austria-onderzoekers betrokken zijn bij in totaal vijf presentaties.

Machine learning kan extreem tijdrovende methoden een stuk sneller maken. Voordat, de berekening van de aerodynamische eigenschappen van auto's duurde meestal een dag. "Met onze machine learning tool, we zijn in staat om de stroom in fracties van een seconde te voorspellen, ", zegt Nobuyuki Umetani. Het idee om machine learning te gebruiken ontstond in een discussie tussen de twee oude medewerkers. "We delen allebei de visie om simulaties sneller te maken, " legt professor Bernd Bickel van IST Austria uit. "We willen dat mensen objecten interactief kunnen ontwerpen, en daarom werken we samen om datagestuurde methoden te ontwikkelen, " hij voegt toe.

Tot dusver, het was buitengewoon uitdagend om machine learning toe te passen op het probleem van het modelleren van stroomvelden rond objecten vanwege de beperkende vereisten van de methode. Voor machinaal leren, zowel de invoer- als de uitvoergegevens moeten consistent worden gestructureerd. Deze structurering van informatie werkt goed voor 2D-beelden, waar een afbeelding gemakkelijk kan worden weergegeven door een regelmatige opstelling van pixels. Maar als een 3D-object wordt weergegeven door eenheden die zijn vorm bepalen, zoals een netwerk van driehoeken, de opstelling van deze eenheden kan veranderen als de vorm verandert. Twee objecten die erg op een persoon lijken, kunnen daarom heel anders lijken op een computer, omdat ze worden weergegeven door een andere mesh, en de machine zou daarom de informatie over de een niet naar de ander kunnen overbrengen.

De oplossing kwam van het idee van Nobuyuki Umetani om zogenaamde polycubes te gebruiken om de vormen hanteerbaar te maken voor machine learning. Deze aanpak, die oorspronkelijk werd ontwikkeld om texturen toe te passen op objecten in computeranimaties, heeft strikte regels voor het representeren van de objecten. Een model begint met een klein aantal grote kubussen die vervolgens worden verfijnd en volgens een welomschreven procedure in kleinere worden opgesplitst. Als het op deze manier wordt weergegeven, objecten met vergelijkbare vormen hebben een vergelijkbare gegevensstructuur die machine learning-methoden aankunnen en vergelijken.

De onderzoekers bewezen in hun onderzoek ook dat de machine learning-methode een indrukwekkende nauwkeurigheid bereikt, een voorwaarde voor techniek. Nobuyuki Umetani legt uit:"Als simulaties op de klassieke manier worden gemaakt, de resultaten voor elke geteste vorm worden uiteindelijk weggegooid na de berekening. Dit betekent dat elke nieuwe berekening opnieuw begint. Met machinaal leren, we maken gebruik van de gegevens uit eerdere berekeningen, en als we een berekening herhalen, de nauwkeurigheid neemt toe."