När ingenjörer eller designers vill testa de aerodynamiska egenskaperna hos den nydesignade formen på en bil, flygplan, eller annat föremål, de skulle normalt modellera luftflödet runt objektet genom att låta en dator lösa en komplex uppsättning ekvationer - ett förfarande som vanligtvis tar timmar, eller till och med en hel dag. Nobuyuki Umetani från Autodesk research (nu vid University of Tokyo) och Bernd Bickel från Institute of Science and Technology Austria (IST Austria) har nu påskyndat denna process avsevärt, göra strömlinjeformar och parametrar tillgängliga i realtid. Deras metod, som är den första som använder maskininlärning för att modellera flöde runt kontinuerligt redigerbara 3D-objekt, kommer att presenteras vid årets prestigefyllda SIGGRAPH -konferens i Vancouver, där forskare från IST Austria deltar i totalt fem presentationer.

Maskininlärning kan göra extremt tidskrävande metoder mycket snabbare. Innan, beräkningen av de aerodynamiska egenskaperna hos bilar tog vanligtvis en dag. "Med vårt verktyg för maskininlärning, vi kan förutsäga flödet i bråkdelar av en sekund, "säger Nobuyuki Umetani. Idén att använda maskininlärning kom upp i en diskussion mellan de två långvariga medarbetarna." Vi delar båda visionen att göra simuleringar snabbare, "förklarar IST Österrike professor Bernd Bickel." Vi vill att människor ska kunna designa objekt interaktivt, och därför arbetar vi tillsammans för att utveckla datadrivna metoder, " han lägger till.

Än så länge, det har varit extremt utmanande att tillämpa maskininlärning på problemet med att modellera flödesfält runt objekt på grund av metodens restriktiva krav. För maskininlärning, både in- och utdata måste struktureras konsekvent. Denna strukturering av information fungerar bra för 2-D-bilder, där en bild enkelt kan representeras av ett vanligt antal pixlar. Men om ett 3D-objekt representeras av enheter som definierar dess form, som ett nät av trianglar, arrangemanget av dessa enheter kan förändras om formen ändras. Två föremål som liknar en person kan därför se väldigt annorlunda ut än en dator, eftersom de representeras av ett annat nät, och maskinen skulle därför inte kunna överföra informationen om den ena till den andra.

Lösningen kom från Nobuyuki Umetanis idé att använda så kallade polykubar för att göra formerna hanterbara för maskininlärning. Detta tillvägagångssätt, som ursprungligen utvecklades för att applicera texturer på objekt i datoranimationer, har strikta regler för att representera föremålen. En modell börjar med ett litet antal stora kuber som sedan förädlas och delas upp i mindre efter en väldefinierad procedur. Om den representeras på detta sätt, objekt med liknande former kommer att ha en liknande datastruktur som maskininlärningsmetoder kan hantera och jämföra.

Forskarna bevisade också i sin studie att maskininlärningsmetoden uppnår en imponerande noggrannhet, en förutsättning för teknik. Nobuyuki Umetani förklarar:"När simuleringar görs på det klassiska sättet, resultaten för varje testad form kastas så småningom efter beräkningen. Det betyder att varje ny beräkning börjar från början. Med maskininlärning, vi använder data från tidigare beräkningar, och om vi upprepar en beräkning, noggrannheten ökar. "