Strategia dynamicznej optymalizacji napędzana uczeniem ze wzmocnieniem dla parametrycznego projektowania modeli 3D

Inteligentniejsze projekty 3D przy mniejszej ilości zgadywania

Od przyciągających wzrok budynków po maleńkie części mechaniczne w telefonie — wiele współczesnych obiektów zaczyna życie jako modele 3D w komputerze. Projektanci często korzystają z modeli „parametrycznych”, w których suwaki i formuły kontrolują kształty, rozmiary i wzory. Ułatwia to eksplorację wielu wariantów, ale też tworzy labirynt możliwości, którego nie da się przeszukać ręcznie. W artykule przedstawiono nowe podejście oparte na sztucznej inteligencji, nazwane HRL‑DOS, które pomaga komputerom nawigować po tym labiryncie, automatycznie udoskonalając projekty 3D pod kątem wytrzymałości, zużycia materiału i łatwości wytwarzania.

Problem z nadmiarem wyborów

W projektowaniu parametrycznym pojedynczy obiekt może zależeć od kilkudziesięciu lub nawet kilkuset powiązanych parametrów: grubości ścian, rozmiarów otworów, krzywizn i reguł wyrównania. W miarę zwiększania złożoności modeli te parametry wchodzą w nienaturalne, nieoczywiste interakcje. Tradycyjne narzędzia optymalizacyjne albo opierają się na gładkich funkcjach matematycznych, które zawodzą przy nieregularnych lub zaszumionych projektach, albo na metodach prób i błędów, które przy dużych problemach działają wyjątkowo wolno. Nawet standardowe uczenie ze wzmocnieniem — gdzie agent AI uczy się przez wielokrotne próby i informacje zwrotne — ma trudności, gdy musi jednocześnie rozważać każdą możliwą kombinację decyzji projektowych.

Dwupoziomowa sztuczna inteligencja, która myśli jak projektant

Autorzy proponują Hierarchical Reinforcement Learning‑based Dynamic Optimization Strategy, czyli HRL‑DOS, by poradzić sobie z tą złożonością. Zamiast traktować projekt jako jedną ogromną decyzję, HRL‑DOS dzieli zadanie na dwie warstwy. Polityka wysokiego poziomu wybiera ogólny kierunek projektu — na przykład preferowanie niższej wagi, większej symetrii lub dodatkowego marginesu bezpieczeństwa. Polityka niskiego poziomu następnie dostosowuje poszczególne parametry, takie jak konkretne wymiary czy położenie cech, w ramach tego szerszego planu. Obie warstwy otrzymują informacje zwrotne na podstawie tego, jak obecny model wypada względem trzech kluczowych celów: stabilności strukturalnej, efektywności geometrycznej i możliwości wytwarzania. Ta warstwowa struktura odzwierciedla sposób pracy ludzkich projektantów: najpierw wybór koncepcji, potem dopracowywanie szczegółów.

Przekształcanie surowych modeli 3D w dane uczące

Aby wytrenować system, badacze zaczynają od zestawu danych ABC, dużej otwartej kolekcji szczegółowych modeli 3D przemysłowych takich jak wsporniki, zębatki, dźwignie i płytki montażowe. Wstępnie przetwarzają każdy model tak, by AI widziała czystą, spójną reprezentację: geometria jest znormalizowana do standardowej skali i orientacji; kluczowe wymiary i cechy są ekstrahowane jako parametry; a reguły produkcyjne — na przykład minimalne grubości ścian czy dopuszczalne kąty zwisu — są zakodowane jako ograniczenia. Te parametry są następnie przekształcane w zwarte „utajone” (latent) opisanie, które naturalnie zniechęca do niemożliwych lub niestabilnych kształtów. Wynikiem jest numeryczny stan, który AI może bezpiecznie modyfikować, jednocześnie respektując podstawowe zasady inżynierskie.

Nauka ulepszania realistycznych części

W ramach przygotowanego środowiska hierarchiczni agenci wielokrotnie proponują nowe projekty, uruchamiają symulacje szacujące masę i naprężenia, sprawdzają możliwości wytwarzania i otrzymują skumulowany wynik nagrody. W toku wielu epizodów treningowych agent wysokiego poziomu uczy się, które cele strategiczne mają zwykle pozytywny efekt, podczas gdy agent niskiego poziomu odkrywa, które korekty parametrów rzeczywiście realizują te cele. Zespół przetestował HRL‑DOS na kilku reprezentatywnych częściach z zestawu danych — żeberkowanym wsporniku, tarczy zębatej, rączce dźwigni i płytce montażowej — i porównał jego wyniki z kilkoma zaawansowanymi alternatywami, w tym płaskim uczeniem ze wzmocnieniem, hybrydami z algorytmami genetycznymi oraz innymi narzędziami wspomagającymi projektowanie. HRL‑DOS osiągnął dobre rozwiązania około 27% szybciej i wygenerował modele o około 18% wyższych ogólnych wynikach jakościowych.

Projekty mocne, możliwe do zbudowania i elastyczne

Poza samą wydajnością HRL‑DOS okazał się lepszy w pozostawaniu w ramach rygorystycznych ograniczeń inżynierskich. Generował znacznie mniej projektów naruszających wytyczne dotyczące bezpieczeństwa lub produkcji i osiągał wyższe wyniki w ocenie możliwości wytwarzania przy kontrolach takich jak kąty zwisu, wnęki wewnętrzne i tolerancje. Metoda dobrze uogólniała na nowe, nieznane typy części i pozostawała odporna, gdy dane wejściowe były zaszumione lub częściowo brakujące — ważna cecha dla rzeczywistych procesów projektowych. Razem te wyniki sugerują, że hierarchiczne uczenie ze wzmocnieniem może służyć jako praktyczny silnik inteligentnego projektowania wspomaganego komputerowo, pomagając architektom i inżynierom eksplorować więcej opcji w krótszym czasie, przy zachowaniu bezpieczeństwa, efektywności i gotowości modeli do wykonania.

Cytowanie: Zhong, G., Vijay, V.C. Reinforcement learning-driven dynamic optimization strategy for parametric design of 3D models. Sci Rep 16, 5041 (2026). https://doi.org/10.1038/s41598-026-35863-1

Słowa kluczowe: parametryczne projektowanie 3D, uczenie ze wzmocnieniem, optymalizacja projektowa, projektowanie wspomagane komputerowo, generatywna inżynieria