MIT ensinou uma IA geradora de CAD alimentando-a com seus próprios quase-acertos

Engenheiros usam cada vez mais modelos de visão-linguagem para transformar esboços de design 2D em código CAD que gera modelos 3D para simulação e testes — uma etapa que normalmente lhes permite fazer crash-tests ou testes de estresse virtuais de um design. Mas os modelos existentes muitas vezes produziam programas CAD simplistas demais para uso prático, e os pesquisadores identificaram o gargalo central na falta de dados de treinamento CAD diversos e de alta qualidade, não na arquitetura do modelo.

O aumento de dados padrão cria mais exemplos de treinamento perturbando aleatoriamente os existentes — ajustando cor, tamanho, forma. A equipe liderada pelo MIT criou o GIFT: um sistema que gera novos dados de treinamento com base especificamente nos pontos em que um determinado modelo tem dificuldade no momento. Ele amostra o modelo em um problema de geração de CAD várias vezes em paralelo, executa cada programa gerado para verificar a correção e separa os problemas em três grupos — sempre certos, sempre errados e aproximadamente metade certos.

Os problemas 'sempre certos' não têm mais nada a ensinar ao modelo; o GIFT os descarta. Os problemas 'aproximadamente metade certos' são onde o GIFT se concentra: ele corrige as tentativas quase certas em soluções funcionais e adiciona tanto as correções quanto os sucessos existentes a um novo conjunto de treinamento. Esse processo passa por escalonamento no momento da inferência, de modo que o usuário escolhe quanto poder computacional gastar sem retreinar o modelo subjacente do zero, e todo o ciclo não precisa de correção humana dos erros do modelo.

Testado contra abordagens concorrentes de aumento de dados, os modelos treinados com o GIFT produziram programas CAD que correspondiam melhor às formas de referência, usando apenas cerca de 20% da computação. O autor principal, Giorgio Giannone, descreveu o caso de uso alvo como apontar o GIFT para um modelo CAD com desempenho insuficiente, definir um orçamento de computação e deixar o sistema converter os próprios erros do modelo na próxima rodada de dados de treinamento.

Gerar dados de treinamento apenas a partir dos problemas em que um modelo acerta cerca de metade das vezes

Filtrar os problemas que um modelo já resolve 10/10 vezes evita desperdiçar o aumento em exemplos sem sinal restante a ensinar.

Filtrar os problemas em que ele sempre falha evita construir dados em torno de casos sem competência parcial a partir da qual evoluir — a faixa de 50% de sucesso é onde um empurrão converte de forma mais confiável um quase-acerto em acerto.

Verificar a correção executando o código CAD gerado, e não pontuando por heurísticas de similaridade, dá ao GIFT um sinal de referência para quais tentativas contam como quase-acertos que valem correção.

Executar o aumento por meio de escalonamento no momento da inferência em um modelo já treinado torna o custo computacional ajustável ao orçamento do usuário sem retreinar o modelo completo.

Quando o gargalo de um modelo são dados de treinamento genéricos, direcione novos dados para seus próprios casos-limite, os problemas que ele acerta em parte, pois esses carregam o maior sinal aprendível por exemplo.

O trabalho, liderado pelo DeCoDE Lab do MIT em colaboração com o MIT-IBM Computing Research Lab e pesquisadores hoje na Red Hat e na IBM, foi apresentado na International Conference on Machine Learning. Os próximos passos da equipe são estender o GIFT para também otimizar a manufaturabilidade dos modelos 3D resultantes, não apenas a precisão geométrica, e aplicar a estrutura a modelos maiores e a uma gama mais ampla de tarefas de geração de CAD. A pesquisa foi financiada em parte pelo MIT-IBM Computing Research Lab.