deepSPACE no es una película futurista, un nuevo videojuego o la próxima temporada de una serie de televisión clásica. De hecho, el nuevo software de diseño desarrollado por un ingeniero aeroespacial de la Universidad de Illinois en Urbana-Champaign no trata en absoluto del espacio exterior. Esta nueva herramienta se adapta a su visión y requisitos y genera rápidamente configuraciones de diseño, desde tradicionales hasta fuera de este mundo, incluidos modelos CAD en 3D y revisiones de rendimiento.
“Queríamos hacer en materia de ingeniería y diseño lo que los grandes modelos de lenguaje de IA han hecho con el texto”, afirmó Jordan Smart. “En este momento, cuando abres un software de diseño de ingeniería, te encuentras con una pantalla en blanco. Con deepSPACE, le dices tus necesidades y genera de 100 a 1000 conceptos en ese tiempo. Hay acciones que a una persona le tomará tiempo ver . Ofrece una mejor imagen del espacio de diseño más amplio”.
Y Smart dijo que deepSPACE no se limita a cuestiones relacionadas con la física. “Está entrenado con una combinación de datos históricos y simulados, pero puede utilizar herramientas de estimación de costos estándar y obtener al menos ese nivel de retroalimentación para el análisis de costos”.
Para demostrar su flexibilidad, Smart y su socio de investigación Emilio Botero utilizaron deepSPACE para desarrollar diseños de sistemas físicos para vigas, ruedas y aviones, así como redes logísticas operativas. Se asociaron con importantes empresas aeroespaciales y automotrices para garantizar que deepSPACE sea útil para investigadores y profesionales de la industria.
“Aprendimos que, si bien la gente quiere DeepSPACE completamente cargado, las empresas prefieren construir modelos personalizados vinculados a sus datos y conocimientos. En la sección anterior, creamos nuestros propios modelos para usarlos en investigación o diseño. Podemos construir modelos, pero lo hará. También se puede utilizar sin datos. Es una plataforma que se puede enseñar”.
Según Smart, DeepSpace es más eficiente que los algoritmos de optimización más antiguos. “Mientras otros dijeron que necesitaron 20.000 simulaciones para comenzar a parametrizar su espacio de diseño, nosotros pudimos obtener resultados similares con solo 250 muestras. Por lo tanto, alrededor de 100 veces menos puntos de datos. Con, puedes tener una idea real del comercio. en el espacio de diseño.
“Cuando diseñas un avión y quieres saber cómo cambiar un ala, agregar un motor o aumentar la carga útil podría afectar el diseño, ese tipo de sensibilidades y compensaciones son complicadas. Los métodos tradicionales pueden requerir miles de puntos de diseño diferentes antes de implementarse. Puede interpolar razonablemente entre ellos porque deepSPACE está construyendo un modelo generativo completo, con más éxito con el mismo nivel de precisión se puede hacer de forma más rápida y económica.
El bajo costo hace que el espacio profundo sea particularmente valioso en aplicaciones aeroespaciales. “Confiamos en la simulación porque la construcción de aviones es cara. Pero estamos estudiando cómo se puede utilizar en otras industrias”.
El hecho de que deepSPACE proporcione un archivo CAD 3D es una característica adicional. Los resultados de otros programas de creación de imágenes no se pueden abrir ni utilizar con otro software de diseño con todas las capas y efectos aún intactos, dijo Smart.
“Con DeepSpace, obtienes el archivo sin formato exacto como si lo hubiera creado un ser humano. Por lo tanto, cualquier edición o cambio que desees realizar está ahí y disponible. Todo el trabajo está hecho. Adjudicó el contrato a otra empresa y esto fue uno de sus entregables.”
DeepSpace puede tener una conversación de diseño única con los ingenieros humanos que lo entrenan, dijo Smart.
“Uno de los diseños que se le ocurrió a DeepSpace nos pareció ridículo. Dijimos, claramente algo anda mal. Fue diseñado según un conjunto de requisitos, pero no había nada parecido en los datos de entrenamiento. Pero luego, cuando miramos los resultados, el Los resultados simulados parecían razonables para lo que realmente produjo.”
El avión en cuestión tenía alas relativamente cortas con superficies de control ubicadas en la parte trasera para proporcionar equilibrio y estabilidad. Smart dijo que no estaba explotando la simulación ni haciendo nada que no pudiera construirse, por lo que comenzaron a mirar más de cerca y se dieron cuenta de que habían visto algo similar en alguna parte. Finalmente, descubrieron que se parecía a un avión real construido y pilotado por una conocida compañía aeronáutica.
“Configuré datos de entrenamiento, simulaciones y algoritmos de aprendizaje reales. Le dimos a deepSPACE un conjunto de aprendizaje de tres aviones convencionales con tubos y alas, el Concorde y un concepto de cuerpo de ala combinado. A partir de ahí comenzó a generar sus conceptos. Los hizo y los comparó con la simulación. y el aprendizaje a veces producía algo no físico, pero mostraba dónde estaban los límites.
“Sin que el hombre dijera: ‘No consideres esto o aquello’, pudo ejecutar su experimento como una lluvia de ideas y encontrar algo que no esperábamos. Mi tendencia personal lo habría descartado”.
Smart dijo que DeepSpace pudo mostrarle los resultados de la simulación y cómo el diseño satisfizo sus necesidades. Encontró una solución viable al problema para el cual fue diseñado.
“Le damos un conjunto tabulado de datos históricos, lo que amplía su comprensión y comienza a explorar y experimentar. Puedo construir un modelo básico para obtener resultados, pero luego juego en el campo o en la zona de pruebas. Puedo ejecutar una nueva simulación que no sea la misma”. “En los datos históricos, vea cómo se suma a mi base de conocimientos”.
“A lo largo de los años, me he dado cuenta de que tenemos capacidades analíticas increíbles, pero el cuello de botella somos nosotros. Tenemos simulaciones, pero un ser humano no puede ejecutar miles de simulaciones una y otra vez y rechazar las malas. Puede encontrar y construir Este tipo de sistema deepSPACE es como un ingeniero en su bolsillo. Puede solucionar el problema y luego seguir adelante con mayor conocimiento que las capacidades existentes”.
Aunque se creó pensando en los profesionales académicos y de la industria, Smart tiene otras ideas.
“Mi objetivo es lograr que los estudiantes de secundaria utilicen deepSPACE. Puede que no sepan física o no tengan todas las habilidades de dibujo CAD, pero si tienen un automóvil, un tren, una nave espacial o algo más, la idea es contárselo a deepSPACE y ejecutarlo. entonces podrán hacer sus cambios y ver qué sucede a continuación”.
