Une percée pour la conception de produits intelligents de demain
From an initial shape Ltask is minimized using three different parameterizations: FreeForm, PolyCube, and MeshSDF. © 2020 Neural Concept/EPFL
Spin-off de l'EPFL, Neural Concept rend différenciables les modèles générateurs 3D basés sur le Deep SDF.
Comment fabriquer la voiture la plus aérodynamique de la meilleure façon et la plus rapide ? Ou comment concevoir la meilleure chaise ergonomique possible sans changer des milliers de paramètres d'entrée, un par un, pour voir comment ils impactent un produit final ?
De nos jours, la plupart des concepteurs de produits utilisent des logiciels de CAO (conception assistée par ordinateur) et travaillent ensuite avec une équipe de simulation pour s'assurer que les designs fonctionnent. Une tendance croissante dans l'industrie a été l'utilisation de Deep SDF (Sign Distance Function), un algorithme capable de générer des formes ou des objets en 3D plus rapidement et plus efficacement. Toutefois, l'une des difficultés de l'algorithme Deep SDF est qu'il n'est pas différenciable. Qu'est-ce que cela signifie ?
"En infographie, vous avez des formes générées en 3D et un concepteur recherche les paramètres d'entrée qui créent ces formes. Prenez, par exemple, une chaise. Un designer veut trouver les paramètres latents qui correspondent à cette chaise afin qu'elle corresponde à l'image ou à l'aspect visuel qu'il vise. Avec un algorithme non différentiable, vous devez rechercher de très nombreux paramètres de manière aléatoire et il est très difficile de faire converger les données", explique Pierre Baqué, PDG de la start-up Neural Concept de l'EPFL.
Aujourd'hui, Neural Concept et le Laboratoire de vision par ordinateur de l'EPFL (CVLAB), dirigé par le professeur Pascal Fua, ont publié des travaux de recherche sur leur nouvel algorithme MeshSDF, qui permet de différencier les modèles générateurs 3D (VAE) basés sur le Deep SDF.
"Cela signifie qu'il est possible pour le logiciel de suivre un chemin qui s'améliore toujours et se rapproche de la forme finale par la prédiction et l'apprentissage. Vous savez toujours comment le changement de votre entrée va influencer votre sortie, donc au lieu de rechercher des paramètres de façon aléatoire, MeshSDF crée le bon chemin pour vous aider à obtenir la bonne forme. C'est très efficace", a déclaré Edoardo Remelli, étudiant en doctorat au CV Lab et l'un des principaux auteurs du nouveau document de recherche.
"Chez Neural Concept, nous l'utilisons pour rechercher des formes 3D qui ont des propriétés physiques supérieures. Par exemple, prenons une voiture avec une faible traînée, nous pouvons maintenant facilement trouver les paramètres d'entrée qui rendront cette voiture aussi aérodynamique que possible", a ajouté Artem Lukoianov de Neural Concept, l'autre auteur principal de l'article.
Neural Concept utilise déjà le MeshSDF avec ses clients et M. Baqué indique que l'approche va au-delà de l'optimisation de la conception ou des performances, "La plupart de nos clients actuels sont dans les industries aérospatiale et automobile, avec des projets qui sont dédiés aux nouvelles générations de transport hybride, électrique et à hydrogène. Nous travaillons également sur la conception de dispositifs électroniques ou le refroidissement de centres de données. Dans tous ces cas, l'objectif est d'utiliser moins d'énergie et de moins polluer. MeshSDF peut améliorer la conception et les performances pour atteindre ce type d'objectifs de durabilité et aider les clients de Neural Concept à rester en tête dans leur domaine".
L'article conjoint de Neural Concept et du CVLab sera présenté cette semaine lors de la conférence NeurIPS (Neural Information Processing Systems Conference) 2020, reconnue comme un événement annuel clé sur le machine learning avec plus de 10’000 participants. L'équipe fera une démonstration de "MeshSDF : Differentiable Iso-Surface Extraction", qui présente une manière différenciable de produire des représentations mesh explicites de surfaces à partir de Deep SDF en supprimant la limitation de l'algorithme Marching Cubes.