Cuando los ingenieros o diseñadores quieren probar las propiedades aerodinámicas de la forma recién diseñada de un automóvil, avión, u otro objeto, normalmente modelarían el flujo de aire alrededor del objeto haciendo que una computadora resolviera un conjunto complejo de ecuaciones, un procedimiento que generalmente toma horas, o incluso un día entero. Nobuyuki Umetani de Autodesk Research (ahora en la Universidad de Tokio) y Bernd Bickel del Instituto de Ciencia y Tecnología de Austria (IST Austria) ahora han acelerado significativamente este proceso. haciendo que las líneas de flujo y los parámetros estén disponibles en tiempo real. Su método, que es el primero en utilizar el aprendizaje automático para modelar el flujo alrededor de objetos 3-D continuamente editables, se presentará en la prestigiosa conferencia SIGGRAPH de este año en Vancouver, donde los investigadores de IST Austria participan en un total de cinco presentaciones.

El aprendizaje automático puede hacer que los métodos que consumen mucho tiempo sean mucho más rápidos. Antes, el cálculo de las propiedades aerodinámicas de los automóviles generalmente tomaba un día. "Con nuestra herramienta de aprendizaje automático, podemos predecir el flujo en fracciones de segundo, ", dice Nobuyuki Umetani. La idea de utilizar el aprendizaje automático surgió en una discusión entre los dos colaboradores de mucho tiempo." Ambos compartimos la visión de hacer simulaciones más rápido, ", explica el profesor Bernd Bickel de IST Austria. Queremos que las personas puedan diseñar objetos de forma interactiva, y, por lo tanto, trabajamos juntos para desarrollar métodos basados ​​en datos, " él añade.

Hasta aquí, Ha sido un gran desafío aplicar el aprendizaje automático al problema de modelar campos de flujo alrededor de objetos debido a los requisitos restrictivos del método. Para el aprendizaje automático, Tanto los datos de entrada como los de salida deben estructurarse de forma coherente. Esta estructuración de información funciona bien para imágenes 2-D, donde una imagen se puede representar fácilmente mediante una disposición regular de píxeles. Pero si un objeto 3-D está representado por unidades que definen su forma, como una malla de triángulos, la disposición de estas unidades puede cambiar si cambia la forma. Por lo tanto, dos objetos que se parecen mucho a una persona pueden parecer muy diferentes a una computadora, ya que están representados por una malla diferente, y, por tanto, la máquina no podría transferir la información sobre una a la otra.

La solución surgió de la idea de Nobuyuki Umetani de usar los llamados policubos para hacer que las formas sean manejables para el aprendizaje automático. Este enfoque, que fue desarrollado originalmente para aplicar texturas a objetos en animaciones por computadora, tiene reglas estrictas para representar los objetos. Un modelo comienza con una pequeña cantidad de cubos grandes que luego se refinan y se dividen en cubos más pequeños siguiendo un procedimiento bien definido. Si se representa de esta manera, los objetos con formas similares tendrán una estructura de datos similar que los métodos de aprendizaje automático pueden manejar y comparar.

Los investigadores también demostraron en su estudio que el método de aprendizaje automático logra una precisión impresionante, un requisito previo para la ingeniería. Nobuyuki Umetani explica:"Cuando las simulaciones se realizan de la manera clásica, los resultados de cada forma probada finalmente se desechan después del cálculo. Esto significa que cada nuevo cálculo comienza desde cero. Con el aprendizaje automático, hacemos uso de los datos de cálculos anteriores, y si repetimos un cálculo, la precisión aumenta ".