The Alien Style of Deep Learning Generative Design

Bron: http://www.arup.com/news/2015_05_may/11_may_3d_makeover_for_hyper-efficient_metalwork

Wat gebeurt er wanneer Deep Learning je ontwerpen begint te genereren? De misvatting van de commons zou zijn dat het ontwerp van een machine er ‘mechanisch’ of ‘logisch’ zou uitzien. Wat we echter lijken te vinden, is dat ze er heel organisch uitzien, in feite lijken ze organisch of als een buitenaardse biologie. Bekijk enkele van deze fascinerende ontwerpen.

De foto hierboven is als volgt beschreven:

“Dit is niet alleen een opwindende ontwikkeling voor de bouwsector, maar ook voor veel andere industrieën. In het geval van dit specifieke stuk is de hoogte ongeveer de helft van die ontworpen voor traditionele productiemethoden, terwijl de directe gewichtsreductie per knoop 75% is. Bij een bouwproject betekent dit dat we kunnen kijken naar een algehele gewichtsvermindering van de totale structuur van meer dan 40%. Maar het echt opwindende deel is dat deze techniek mogelijk kan worden toegepast in elke industrie die complexe metalen producten van hoge kwaliteit gebruikt. "
- Salomé Galjaard, teamleider bij Arup

Dit is een autoframe dat is ontworpen door een generatief algoritme:

Het ontwerp aan de rechterkant van een antenne is twee keer effectiever dan dat aan de linkerkant:

Bron: http://hub-apac.insight.com/h/i/189108757-cad-is-a-lie-generative-design-to-the-rescue/166669

Een lichtgewicht fietsstam gegenereerd door een algoritme.

Bron: http://www.instructables.com/id/How-to-Design-a-Bike-Stem-in-Dreamcatcher/

Een lichtgewicht motorblok.

Bron: http://inthefold.autodesk.com/in_the_fold/2015/07/autodesk-within-generative-design-optimized-for-3d-printing.html

Veel van deze ontwerpen komen uit Autodesk's DreamCatcher-onderzoek.

Met het Dreamcatcher-systeem kunnen ontwerpers specifieke ontwerpdoelstellingen invoeren, waaronder functionele vereisten, materiaaltype, productiemethode, prestatiecriteria en kostenbeperkingen. Het systeem zit vol met ontwerpvereisten en doorzoekt vervolgens een procedureel gesynthetiseerde ontwerpruimte om een ​​groot aantal gegenereerde ontwerpen te evalueren om te voldoen aan de ontwerpvereisten.

Generatieve ontwerpen bestaan ​​ook niet alleen in de fysieke wereld, maar ook in het ontwerp van neurale netwerken zelf:

Deze Long Short Term Memory (LSTM) zijn ontworpen door een algoritme en blijken effectiever te zijn dan de conventionele LSTM (Opmerking: dit zijn neurale netwerken ontworpen met geheugenelementen). Dit zijn generatieve neurale architecturen, machines die leren leren, meer als meta-metamodellen. Leren is blijkbaar niet uniform en ik vermoed ten zeerste dat redeneren op metaniveau een primair mechanisme is bij het leren en dat wordt weerspiegeld in de biologische manifestatie ervan. Wordt leren niet tenslotte verbeterd door diversiteit en aanpassingsvermogen? Dezelfde ingrediënten voor biologische overleving?

Wat verrassend is, is dat deze ontwerpen omwille van stijl niet bestaan. Integendeel, deze ontwerpen zijn eigenlijk de optimale oplossingen voor meerdere concurrerende ontwerpvereisten. Waarom zien ze er organisch of biologisch uit? Is er een onderliggend fundamenteel principe dat bestaat in biologische systemen dat hiertoe leidt? Waarom zijn de oplossingen niet schaars, maar vrij complex?

Nog een diepere vraag is, als dit de optimale ontwerpen waren, waarom zien levenloze objecten er dan niet zo uit? Levenloze objecten die complex zijn, hebben meestal een fractale stijl:

Credit: http://www.fhshh.com/the-discovery-of-fractals-extraordinary-examples-of-geometric-complexity-of-mother-nature.html

De gelijkaardige herhalende patronen die we in kristallen en kustlijnen zien, hebben ondanks hun complexiteit zeker een stijl die verschilt van organische of biologische stijlen. Deep Learning heeft duidelijk vergelijkbare mogelijkheden als biologische systemen. Ik vermoed dat dit verschil voortkomt uit het verschil in computationele machines dat deze genereert. Het is inderdaad fascinerend dat de stijl van deze gegenereerde objecten een weerspiegeling is van het proces van de maker ervan.

Zelfovereenkomst wordt gecreëerd door uniforme processen die op meerdere schalen voorkomen. Daarentegen komen biologische processen ook op meerdere schalen voor, diversiteit in plaats van uniformiteit wordt aangemoedigd. Mensen vertonen bijvoorbeeld een vijfvoudige symmetrie. We zien gelijkenis op meerdere schalen, wat betekent dat we interessante kenmerken zien, verschillende grove niveaus van granulariteit, maar we zien ook diversiteit. Daarom zien ontwerpen van Deep Learning-systemen er biologisch uit, het bouwproces gebruikt vergelijkbare mechanismen.

Een recente studie “Binnen een AI-brein - Hoe ziet machine eruit?” Onthult vergelijkbare biologische complexiteit in Deep Learning-systemen. Hier is een visualisatie van een ResNet-50 Deep Learning-netwerk:

Credit: https://www.graphcore.ai/blog/what-does-machine-learning-look-like

Het is inderdaad fascinerend dat de complexiteit, indien zeer verschillend van de complexiteit die we vinden in de chaostheorie.

Een misvatting is dat kunstmatige neurale netwerken of Deep Learning biologisch geïnspireerd zijn. Dit is niet waar. Het dacht misschien dat het waar was in de jaren 1950 toen de Perceptron voor het eerst werd geïntroduceerd. In het beste geval gebruikt Deep Learning een cartoonachtige versie van een neuron en de nieuwere architecturen bestaan ​​uit computerelementen die heel anders zijn dan hoe een biologisch neuron zou functioneren. Desalniettemin is het inderdaad verrassend dat, ondanks dat het heel anders is dan de biologie, het resulterende waarneembare gedrag tussen beide erg op elkaar lijkt. Het is duidelijk dat er een reeks fundamentele processen aan ten grondslag ligt die beide worden gedeeld door biologie en Deep Learning. Dat fundamentele proces is wat we allemaal willen ontdekken.

Nog een laatste ding, alleen omdat DL wat gedrag vertoont dat biologisch lijkt te zijn, het is nog steeds ver verwijderd van iets dat intelligent is. We weten echter op zijn minst van een exemplaar van een intelligentie, en dat is toevallig biologisch.

Meer dekking hier: https://gumroad.com/products/WRbUs

Lees hier meer over op Intuition Machine, lees de publicatie: https://medium.com/intuitionmachine of word lid van de FaceBook-groep: https://www.facebook.com/groups/deeplearningpatterns/

♡ Hart als je deze ontdekking fascinerend vindt!