Quando ingegneri o designer vogliono testare le proprietà aerodinamiche della nuova forma di un'auto, aereo, o altro oggetto, normalmente modellerebbero il flusso d'aria intorno all'oggetto facendo in modo che un computer risolva un insieme complesso di equazioni, una procedura che di solito richiede ore, o anche un'intera giornata. Nobuyuki Umetani della ricerca Autodesk (ora presso l'Università di Tokyo) e Bernd Bickel dell'Istituto di scienza e tecnologia Austria (IST Austria) hanno ora notevolmente accelerato questo processo, rendendo disponibili in tempo reale linee e parametri. Il loro metodo, che è il primo ad utilizzare l'apprendimento automatico per modellare il flusso attorno a oggetti 3D modificabili continuamente, sarà presentato alla prestigiosa conferenza SIGGRAPH di quest'anno a Vancouver, dove i ricercatori di IST Austria sono coinvolti in un totale di cinque presentazioni.

L'apprendimento automatico può rendere molto più veloci i metodi che richiedono molto tempo. Prima, il calcolo delle proprietà aerodinamiche delle automobili di solito richiedeva un giorno. "Con il nostro strumento di apprendimento automatico, siamo in grado di prevedere il flusso in frazioni di secondo, " afferma Nobuyuki Umetani. L'idea di utilizzare l'apprendimento automatico è nata in una discussione tra i due collaboratori di lunga data. "Entrambi condividiamo la visione di rendere le simulazioni più veloci, " spiega il professor Bernd Bickel di IST Austria. "Vogliamo che le persone siano in grado di progettare oggetti in modo interattivo, e quindi lavoriamo insieme per sviluppare metodi basati sui dati, " Aggiunge.

Finora, è stato estremamente impegnativo applicare l'apprendimento automatico al problema della modellazione dei campi di flusso attorno agli oggetti a causa dei requisiti restrittivi del metodo. Per l'apprendimento automatico, sia i dati di input che quelli di output devono essere strutturati in modo coerente. Questa strutturazione delle informazioni funziona bene per le immagini 2D, dove un'immagine può essere facilmente rappresentata da una disposizione regolare di pixel. Ma se un oggetto 3D è rappresentato da unità che ne definiscono la forma, come una maglia di triangoli, la disposizione di queste unità potrebbe cambiare se la forma cambia. Due oggetti che sembrano molto simili a una persona potrebbero quindi apparire molto diversi a un computer, in quanto rappresentati da una maglia diversa, e la macchina non sarebbe quindi in grado di trasferire le informazioni dell'una all'altra.

La soluzione è nata dall'idea di Nobuyuki Umetani di utilizzare i cosiddetti polycubes per rendere le forme gestibili per l'apprendimento automatico. Questo approccio, che è stato originariamente sviluppato per applicare trame agli oggetti nelle animazioni al computer, ha regole rigide per la rappresentazione degli oggetti. Un modello inizia con un piccolo numero di cubi grandi che vengono poi affinati e suddivisi in pezzi più piccoli seguendo una procedura ben definita. Se rappresentato in questo modo, gli oggetti con forme simili avranno una struttura dati simile che i metodi di apprendimento automatico possono gestire e confrontare.

I ricercatori hanno anche dimostrato nel loro studio che il metodo di apprendimento automatico raggiunge una precisione impressionante, un prerequisito per l'ingegneria. Nobuyuki Umetani spiega:"Quando le simulazioni sono fatte in modo classico, i risultati per ogni forma testata vengono eventualmente eliminati dopo il calcolo. Ciò significa che ogni nuovo calcolo parte da zero. Con l'apprendimento automatico, utilizziamo i dati dei calcoli precedenti, e se ripetiamo un calcolo, la precisione aumenta."