Pesquisadores em Laboratório de Ciência da Computação e Inteligência Synthetic do MIT (CSAIL) desenvolveram um sistema chamado PhysiOpt, que integra inteligência synthetic generativa (genAI) com simulações físicas, para permitir aos usuários gerar designs imprimíveis em 3D para itens pessoais – como copos, porta-chaves e suportes para livros – que resistem ao uso no mundo actual.
O sistema leva em consideração uma limitação conhecida das ferramentas de design genAI: embora plataformas como o TRELLIS da Microsoft possam produzir modelos tridimensionais a partir de prompts de texto ou imagens, os projetos resultantes muitas vezes falham estruturalmente quando fabricados. O design de uma cadeira, por exemplo, pode ter componentes desconectados ou suporte insuficiente para suportar peso.
PhysiOpt procura resolver isso executando uma simulação física conhecida como análise de elementos finitos. Ele testa um modelo 3D e gera um mapa de calor indicando áreas estruturalmente fracas, antes de fazer ajustes incrementais para reforçá-las sem alterar a aparência geral do objeto ou a função pretendida.
Os usuários inserem uma descrição em texto do que desejam criar e especificam quanta força ou peso o objeto deve suportar, bem como o materials de fabricação – como plástico ou madeira – e como será suportado. O sistema então fornece um modelo 3D refinado em aproximadamente 30 segundos.
“PhysiOpt combina GenAI e otimização de forma com base física, ajudando praticamente qualquer pessoa a gerar os designs que deseja para acessórios e decorações exclusivos”, afirmou Xiao Sean Zhan, estudante de doutorado em engenharia elétrica e ciência da computação do MIT e pesquisador CSAIL, e co-autor principal do artigo.
“É um sistema automático que permite tornar a forma fisicamente fabricável, dadas algumas restrições. PhysiOpt pode iterar suas criações quantas vezes desejar, sem qualquer treinamento further.”
O sistema depende de um modelo pré-treinado, em vez de um treinamento específico para tarefas, permitindo-lhe aproveitar o conhecimento prévio de formas e estética. Esta é uma propriedade que os pesquisadores chamam de “forma anterior”.
“Os sistemas existentes muitas vezes precisam de muito treinamento adicional para ter uma compreensão semântica do que você deseja ver”, afirmou o co-autor Clément Jambon, também estudante de doutorado do MIT EECS e pesquisador do CSAIL. “Mas usamos um modelo com aquela sensação do que você deseja criar já incorporado, então o PhysiOpt é gratuito para treinamento.”
Em testes comparativos com o DiffIPC, um método que simula e otimiza formas 3D de forma semelhante, o PhysiOpt foi quase 10 vezes mais rápido por iteração, ao mesmo tempo que produziu resultados mais realistas.
O trabalho dos pesquisadores foi apresentado em dezembro na Conferência e Exposição SIGGRAPH sobre Computação Gráfica e Técnicas Interativas da Affiliation for Computing Equipment na Ásia, e foi apoiado, em parte, pelo MIT-IBM Watson AI Laboratory e pela Wistron Corp.