Концепция промышленного дизайна с использованием больших языковых моделей (БЯМ)

В основе представленного в презентации подхода лежит новая парадигма проектирования — вычислительная инженерия (computational engineering). Наиболее яркий ее представитель, известный в среде аддитивного производства — LEAP71. Суть данной парадигмы состоит в том, что объект сначала описывается на абстрактном уровне через его свойства и параметры, и только затем автоматически генерируется соответствующая этим свойствам геометрия. Это позволяет перевести процесс проектирования в написание кода, что открывает дорогу для автоматизации и использования ИИ.

Ключевые компоненты:
✅ Геометрическое ядро PicoGK — специализированный инструмент, который преобразует код (на C#) в сложную трёхмерную геометрию. Это «движок», материализующий абстрактные описания.
✅ Code LLM (БЯМ для кода): большая языковая модель, обученная генерировать и понимать программный код. В этой концепции она выступает в роли «цифрового инженера».

Как это работает на примере дизайна автомобиля:
✅ Автомобиль как код: кузов автомобиля описывается как класс в C#, где параметры (длина, ширина, тип кузова, радиус колёс) однозначно определяют его будущую форму. Весь сложный код генерации геометрии инкапсулирован внутри класса.
✅ Задача для БЯМ: модели не нужно писать этот сложный код с нуля. Её задача — понять текстовое описание на естественном языке (например, «создай крупный грузовик-фуру с кабиной-спальней») и сгенерировать всего лишь фрагмент кода: инициализацию этого класса с правильными значениями параметров.
✅ Обучение на синтетических данных: чтобы научить БЯМ этой задачей, был создан большой синтетический датасет. Сначала по правилам генерировались параметры автомобилей (257 тыс. примеров, 10 типов кузова), затем для них автоматически создавались текстовые описания — сначала шаблонные, а потом их «оживляли» с помощью других БЯМ (Llama, Mistral), чтобы получить разнообразные формулировки на человеческом языке.
✅ Эксперименты: исследователи тестировали разные модели (CodeLlama, Qwen, Mistral-Nemo) с разными промптами (инструкциями). Лучший результат показала связка Mistral-Nemo-Instruct-2407 + улучшенный датасет + продвинутый промпт, где помимо описания роли и структуры кода модели давали несколько наглядных примеров (few-shot learning).

И зачем все это, спросите вы?
✅ Гибкость: дизайнер или инженер может быстро получать варианты геометрии, просто описывая их словами.
✅ Скорость: сокращается путь от идеи до цифровой модели.
✅ Автоматизация: процесс проектирования примитивных или параметрических объектов можно значительно ускорить.

Тем не менее сегодня можно говорить и о некоторых ограничениях или недостатках метода у разработчиков:
✅ Качество генерации: пока сгенерированные объекты не всегда хорошо соответствуют реальным распределениям параметров и могут выглядеть неестественно.
✅ Сложность геометрии: заданный формат кода пока позволяет создавать лишь относительно простые, параметрические формы. Генерация органических или высокодетализированных поверхностей — задача на будущее.

В качестве вывода можно сказать, что представленный подход — это смелый шаг к слиянию языкового интеллекта, программирования и инженерного проектирования. Пока метод работает на синтетических задачах и простой геометрии, он демонстрирует потенциал будущего, где проектирование начинается с диалога между человеком и ИИ, а код становится универсальным языком описания физических объектов.

Что ж, LEAP71 сегодня в этом аспекте продвинулись далеко вперед. Но тренд налицо и вскоре, мы надеемся, появится больше подобных проектов, стирающих грань между задумкой человека и ее воплощением в физическом объекте с планируемыми эксплуатационными характеристиками.

Синтезиум. Подписка

#синтезиум #LEAP71 #ИИ #computationalengineering #picogk