Den fremmede stil i Deep Learning Generative Design

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

Hvad sker der, når du har Deep Learning, begynder at generere dine designs? Den almindelige misforståelse ville være, at en maskins design ser ud 'mekanisk' eller 'logisk'. Det, vi ser ud til, er, at de ser meget organiske ud, og de ser faktisk organiske ud eller ligner en fremmed biologi. Se på nogle af disse fascinerende designs.

Billedet ovenfor designet beskrives som følger:

”Dette er ikke kun en spændende udvikling for byggesektoren, men også mange andre brancher. For dette bestemte stykke er højden ca. halvdelen af ​​en beregnet til traditionelle produktionsmetoder, mens den direkte vægtreduktion pr. Knude er 75%. På et byggeprojekt betyder det, at vi kunne se på en samlet vægtreduktion af den samlede struktur på mere end 40%. Men den virkelig spændende del er, at denne teknik potentielt kan anvendes til enhver industri, der bruger komplekse metalprodukter af høj kvalitet. ”
- Salomé Galjaard, teamleder hos Arup

Dette er en bilramme, der er designet af en generativ algoritme:

Designet til højre for en antenne er to gange mere effektivt end det til venstre:

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

En let cykelstamme genereret af en algoritme.

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

En let motorblok.

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

Mange af disse design stammer fra Autodesk's DreamCatcher-forskning.

Dreamcatcher-systemet giver designere mulighed for at indtaste specifikke designmål, herunder funktionelle krav, materialetype, fremstillingsmetode, ydelseskriterier og omkostningsbegrænsninger. Indlæst med designkrav søger systemet derefter et proceduremæssigt syntetiseret designrum for at evaluere et stort antal genererede design for at opfylde designkravene.

Generative design findes også ikke kun i den fysiske verden, men også i design af selve neurale netværk:

Disse langtidshukommelser (LSTM) er designet af en algoritme og vist at være mere effektive end den konventionelle LSTM (Bemærk: Dette er neurale netværk designet med hukommelseselementer). Dette er generative neurale arkitekturer, maskiner, der lærer at lære, mere som metametamodeller. Læring er tilsyneladende ikke ensartet, og jeg har meget mistanke om, at metaniveau-resonnement er en primær mekanisme i læring, og det afspejles af dens biologiske manifestation. Når alt kommer til alt er ikke læring forbedret af mangfoldighed såvel som tilpasningsevne? De samme ingredienser til biologisk overlevelse?

Det, der er overraskende, er, at disse designs ikke findes af hensyn til stilen. Snarere er disse design faktisk de optimale løsninger til flere konkurrerende designkrav. Hvorfor ser de organiske eller biologiske ud? Er der noget underliggende grundlæggende princip, der findes i biologiske systemer, der fører til dette? Hvorfor er løsningen ikke sparsom, men snarere kompleks?

Endnu et dybere spørgsmål er, hvis dette var det optimale design, hvorfor hvorfor ikke livløse genstande ser sådan ud? Dødelige objekter, der er komplekse, har en tendens til at have en fraktal stil:

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

De selvlignende gentagende mønstre, som vi ser i krystaller og kyster, til trods for ser komplekse, har bestemt en stil, der er forskellig fra organiske eller biologiske stilarter. Deep Learning har helt klart lignende egenskaber som biologiske systemer. Jeg formoder, at denne forskel stammer fra forskellen i beregningsmaskiner, der genererer disse. Det er faktisk fascinerende, at stilen til disse genererede objekter afspejler processen med dens ophavsmand.

Selvlighed skabes gennem ensartede processer, der forekommer i flere skalaer. I modsætning hertil forekommer biologiske processer også i flere skalaer, mangfoldighed snarere tilskyndes. Mennesker udstiller for eksempel en femfolders symmetri. Vi ser lighed forekomme i flere skalaer, hvilket betyder, at vi ser interessante træk forskellige grove niveauer af granularitet, men vi ser også mangfoldighed. Dette er grunden til, at design af Deep Learning-systemer ser biologiske ud, og konstruktionsprocessen bruger lignende mekanismer.

En nylig undersøgelse “Inde i en AI-hjerne - hvordan ser maskine ud?” Afslører lignende biologisk lignende kompleksitet i Deep Learning-systemer. Her er en visualisering af et ResNet-50 Deep Learning-netværk:

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

Det er faktisk fascinerende, at kompleksiteten, hvis den er meget forskellig fra den kompleksitet, vi finder i kaosteorien.

En misforståelse er, at kunstige neurale netværk eller dyb læring er biologisk inspireret. Det er ikke sandt. Det kan have troet, at det var sandt tilbage i 1950'erne, da Perceptron først blev introduceret. Imidlertid anvender Deep Learning i bedste fald en tegneserieversion af en neuron, og de nyere arkitekturer består af beregningselementer, der er meget forskellige fra, hvordan en biologisk neuron ville fungere. Ikke desto mindre er det faktisk overraskende, at selv om den er meget forskellig fra biologi, at den resulterende observerbare adfærd ser ud til at være meget ens mellem begge. Der er helt klart et sæt grundlæggende processer, der ligger til grund for alt dette, der både deles af biologi og Deep Learning. At grundlæggende processer er det, vi alle søger at opdage.

Én sidste ting, bare fordi DL udviser en vis adfærd, der ser ud til at være biologisk, er det stadig langt fra noget, der er intelligent. Vi kender dog i det mindste til et eksempel på en intelligens, og det er tilfældet biologisk.

Mere dækning her: https://gumroad.com/products/WRbUs

Få flere oplysninger om dette på Intuition Machine, læs publikationen: https://medium.com/intuitionmachine eller tilmeld dig FaceBook-gruppen: https://www.facebook.com/groups/deeplearningpatterns/

♡ Hjertet, hvis du finder denne opdagelse fascinerende!