El MIT enseñó a una IA generadora de CAD alimentándola con sus propios casi aciertos

Los ingenieros recurren cada vez más a modelos de visión-lenguaje para convertir bocetos de diseño 2D en código CAD que genera modelos 3D para simulación y pruebas, un paso que normalmente les permite someter un diseño a pruebas virtuales de choque o de resistencia. Pero los modelos existentes a menudo producían programas CAD demasiado simplistas para su uso práctico, y los investigadores identificaron el cuello de botella principal en la falta de datos de entrenamiento CAD diversos y de alta calidad, no en la arquitectura del modelo.

El aumento de datos estándar crea más ejemplos de entrenamiento perturbando aleatoriamente los existentes: ajustando color, tamaño, forma. El equipo liderado por el MIT construyó GIFT en su lugar: un sistema que genera nuevos datos de entrenamiento basándose específicamente en los puntos donde un modelo dado tiene dificultades actualmente. Muestrea el modelo en un problema de generación de CAD varias veces en paralelo, ejecuta cada programa generado para comprobar su corrección y separa los problemas en tres grupos: siempre correctos, siempre incorrectos y aproximadamente la mitad correctos.

Los problemas 'siempre correctos' no tienen nada más que enseñar al modelo; GIFT los descarta. Los problemas 'aproximadamente la mitad correctos' son donde se centra GIFT: corrige los intentos casi acertados convirtiéndolos en soluciones funcionales y añade tanto las correcciones como los éxitos existentes a un nuevo conjunto de entrenamiento. Este proceso se ejecuta mediante escalado en el momento de la inferencia, de modo que el usuario elige cuánta computación gastar sin reentrenar el modelo subyacente desde cero, y todo el bucle no necesita corrección humana de los errores del modelo.

Probado frente a enfoques competidores de aumento de datos, los modelos entrenados con GIFT produjeron programas CAD que se ajustaban mejor a las formas de referencia mientras usaban solo alrededor del 20 % de la computación. El autor principal, Giorgio Giannone, describió el caso de uso objetivo como apuntar GIFT a un modelo CAD de bajo rendimiento, fijar un presupuesto de computación y dejar que el sistema convierta los propios errores del modelo en su siguiente ronda de datos de entrenamiento.

Generar datos de entrenamiento solo a partir de los problemas que un modelo acierta aproximadamente la mitad de las veces

Filtrar los problemas que un modelo ya resuelve 10 de cada 10 veces evita desperdiciar el aumento en ejemplos que no tienen señal restante que enseñar.

Filtrar los problemas en los que siempre falla evita construir datos en torno a casos sin competencia parcial sobre la que partir: la banda de 50 % de éxito es donde un empujón convierte de forma más fiable un casi acierto en un acierto.

Comprobar la corrección ejecutando el código CAD generado, en lugar de puntuar mediante heurísticas de similitud, da a GIFT una señal de referencia sobre qué intentos cuentan como casi aciertos que merece la pena corregir.

Ejecutar el aumento mediante escalado en el momento de la inferencia sobre un modelo ya entrenado hace que el coste computacional sea ajustable al presupuesto del usuario sin reentrenar el modelo completo.

Cuando el cuello de botella de un modelo son datos de entrenamiento genéricos, dirigir los nuevos datos hacia sus propios casos límite, los problemas que acierta en parte, ya que esos aportan la mayor señal aprendible por cada ejemplo.

El trabajo, liderado por el DeCoDE Lab del MIT en colaboración con el MIT-IBM Computing Research Lab y con investigadores que ahora están en Red Hat e IBM, se presentó en la International Conference on Machine Learning. Los siguientes pasos del equipo son ampliar GIFT para optimizar también la fabricabilidad de los modelos 3D resultantes, no solo la precisión geométrica, y aplicar el marco a modelos más grandes y a una gama más amplia de tareas de generación de CAD. La investigación fue financiada en parte por el MIT-IBM Computing Research Lab.