يعمل إطار عمل GIFT الخاص بمعهد ماساتشوستس للتكنولوجيا على تحسين تصميمات التصميم بمساعدة الكمبيوتر (CAD) عن طريق تحويل إخفاقاته إلى بيانات تدريب
يظل إنشاء نموذج ثلاثي الأبعاد واقعي من صورة بسيطة أمرًا صعبًا بشكل مدهش بالنسبة للذكاء الاصطناعي. في حين أن الذكاء الاصطناعي يمكنه إنشاء صور مثيرة للإعجاب، فإن إنتاج رموز CAD الدقيقة التي يستخدمها مهندسو تصميم أجزاء الطائرات والسيارات والمنتجات الاستهلاكية يعد أكثر صعوبة بكثير. حتى الخطأ البسيط يمكن أن يجعل التصميم غير قابل للاستخدام. الآن، قام باحثون من معهد ماساتشوستس للتكنولوجيا، وIBM، وRed Hat بتطوير إطار عمل يعمل على تحسين قدرة أنظمة الذكاء الاصطناعي بشكل كبير على تحويل الصور ثنائية الأبعاد إلى برامج CAD وظيفية، مما ينتج تصميمات أكثر دقة مع تقليل حساب الاستدلال بحوالي 80 بالمائة. يعالج هذا العمل البحثي الجديد إحدى أكبر العوائق في الهندسة المعتمدة على الذكاء الاصطناعي، وهي النقص في بيانات تدريب التصميم بمساعدة الكمبيوتر (CAD) عالية الجودة. تحتاج أنظمة تحويل الصور إلى CAD الحالية إلى عدد كبير من الأمثلة التي تربط الصور ثنائية الأبعاد ببرامج CAD العاملة، لكن إنشاء مجموعات البيانات هذه أمر مكلف ويتطلب عمالة مكثفة. وبدلاً من الاعتماد على المزيد من البيانات التي أنشأها الإنسان، يعلم النهج الجديد الذكاء الاصطناعي باستخدام الأخطاء التي يرتكبها بالفعل. وقال مؤلف الدراسة الرئيسي وباحث الذكاء الاصطناعي جورجيو جيانوني: “نريد الحصول على زيادة في البيانات تعتمد على النموذج نفسه”. تحويل التصاميم الفاشلة إلى مواد تدريبية يعمل إطار الفريق، المسمى Geometric Inference Feedback Tuning (GIFT)، مع نماذج لغة الرؤية التي تحول صورة ثنائية الأبعاد ووصفًا نصيًا إلى كود Python الذي يمكن تنفيذه في برنامج CAD لإنشاء كائن ثلاثي الأبعاد. لفهم الصعوبات التي يواجهها النموذج، تطلب منه GIFT حل نفس مشكلة CAD عدة مرات بالتوازي. بعض المخرجات صحيحة، وبعضها قريب من التصميم المستهدف، والبعض الآخر أبعد بكثير. وفقًا للباحثين، فإن هذه “الأخطاء الوشيكة” هي الأكثر قيمة لأنها تكشف بالضبط ما لم يفهمه النموذج بعد. ينفذ النظام كل برنامج CAD تم إنشاؤه ويقارن الهندسة ثلاثية الأبعاد الناتجة مع الهدف باستخدام مقياس هندسي قياسي يُعرف باسم التقاطع عبر الاتحاد (IoU)، والذي يقيس مدى تطابق شكلين ثلاثي الأبعاد. بدلاً من التخلص من المخرجات غير الكاملة، تحدد GIFT تلك التي هي قريبة من التصحيح وتستخدمها لإنشاء أمثلة تدريبية جديدة. وأوضح جيانوني، “إذا أخذنا عينة من النموذج 10 مرات وأنتج 10 إجابات صحيحة لنفس المشكلة، فلن يكون هناك الكثير ليتعلمه. نحن نهتم بالحالات البينية، حيث قد يحل النموذج المشكلة بنسبة 50 بالمائة فقط من الوقت”. يؤدي تعليم النموذج كيفية إصلاح الأخطاء الخاصة به إلى تحسين النموذج من خلال تقنيتين متكاملتين. الأول، المسمى GIFT-REJECT، يحتفظ ببرامج CAD البديلة التي تولد الشكل الهندسي الصحيح حتى لو كان الكود مختلفًا عن الحل المرجعي الأصلي. يفترض تدريب الذكاء الاصطناعي التقليدي في كثير من الأحيان وجود برنامج CAD واحد صحيح لكل كائن، على الرغم من أن المهندسين يمكنهم إنشاء نفس الجزء بعدة طرق مختلفة. من خلال تعريض النموذج للعديد من الحلول الصالحة، تقوم GIFT بتوسيع فهمها لكيفية إنشاء تصميمات CAD. الطريقة الثانية، GIFT-FAIL، تركز على المخرجات غير الكاملة. يأخذ النظام نموذجًا ثلاثي الأبعاد صحيحًا تقريبًا تم إنشاؤه بواسطة الذكاء الاصطناعي، ويحوله مرة أخرى إلى صورة، ويزوج تلك الصورة مع برنامج CAD الصحيح. ومن خلال القيام بذلك، فإنه يقوم بإنشاء أمثلة جديدة تعلم النموذج بشكل فعال كيفية التعافي من أخطاء محددة. والأهم من ذلك أن هذه العملية لا تتطلب أي تدخل بشري. يحدد إطار العمل الأخطاء تلقائيًا، وينشئ بيانات تدريب جديدة، ويستخدم تلك المعلومات لتحسين النموذج. صمم الباحثون أيضًا GIFT حول تقنية تُعرف باسم مقياس وقت الاستدلال. بدلاً من إعادة تدريب نموذج الذكاء الاصطناعي بالكامل، وهو الأمر الذي قد يكون مكلفًا للغاية، يعمل النظام على تحسين الأداء أثناء عملية الإنشاء. بدلاً من التخلص من العمليات الحسابية الإضافية التي يتم إنفاقها في البحث عن برامج CAD أفضل، تقوم GIFT بتحويل المحاولات الناجحة وشبه الناجحة إلى أمثلة تدريبية جديدة يمكن استخدامها لاحقًا لتحسين النموذج من خلال الضبط الدقيق. علاوة على ذلك، يمكن للمستخدمين تحديد مقدار العمليات الحسابية التي يريدون إنفاقها اعتمادًا على ميزانيتهم وقيود الوقت. تصميمات CAD أفضل مع جزء صغير من قوة الحوسبة عند تقييمها على مجموعة بيانات GenCAD-Code، حققت النماذج المعززة باستخدام GIFT تحسنًا بنسبة 12 بالمائة في الدقة الهندسية مقارنة بخط أساس قوي للتعلم الخاضع للإشراف. كما قلل الإطار أيضًا من حساب الاستدلال اللازم لتحقيق أداء قابل للمقارنة بحوالي 80%. قال جيانوني: “مع GIFT، بدأنا بالهندسة لأنه في المشكلات الهندسية، إذا كانت هندسة الشكل ثلاثي الأبعاد غير صحيحة، فلن يكون أي شيء آخر صحيحًا، ولكن هناك العديد من الجوانب الأخرى التي يجب أخذها في الاعتبار”. يمكن أن تساعد قدرة النظام على التعلم من أخطائه في تسريع عملية تطوير المنتج من خلال جعل نماذج التصميم بمساعدة الحاسوب (CAD) المولدة بواسطة الذكاء الاصطناعي أكثر موثوقية. يمكن للمهندسين الانتقال بسرعة أكبر من الرسومات التخطيطية إلى التصميمات ثلاثية الأبعاد القابلة للاختبار، مما يقلل تكاليف التطوير، ويختصر دورات التصميم، ويستكشف نطاقًا أوسع من الأفكار دون إنشاء كميات كبيرة من بيانات التدريب الجديدة. ويقول الباحثون أن هذه ليست سوى البداية. حتى الآن، تركز GIFT على إنشاء هندسة صحيحة، لكن الإصدارات المستقبلية ستهدف إلى تعليم الذكاء الاصطناعي كيفية تصميم أجزاء ليست دقيقة في الشكل فحسب، بل أيضًا أسهل في التصنيع وأكثر ملاءمة للأداء في العالم الحقيقي. تم نشر الدراسة على موقع arXiv.
تم النشر: 2026-07-18 14:51:00
