Ein echtes neuronales Netz bringt sich selbst bei, eine Flugtriebwerkshalterung zu entwerfen — live, in Ihrem Browser, angetrieben von echter Physik. Der Optimierer hier ist buchstäblich ein Koordinaten-MLP: ein kleines neuronales Netz, das die (x, y, z)-Position jedes Elements der Halterung nimmt und ausgibt, wie massiv dieses Element sein soll. Das Gehirn und das Teil sind dasselbe Objekt. Was Sie beobachten, sind die Gewichte des Netzes, die Iteration für Iteration aktualisiert werden, bis das von ihnen erzeugte Dichtefeld eine Halterung ist, die nicht brechen wird und kein Metall verschwendet.
Nichts hier ist von Hand modelliert. Jeder Trainingsschritt folgt demselben Vier-Takt-Rhythmus wie das gesamte maschinelle Lernen: Ein Vorwärtsdurchlauf durch das Netz erzeugt ein Dichtefeld; ein Finite-Elemente-Spannungslöser — der Belastungstest — prüft, wie sich die Halterung unter Last verbiegt; ein Compliance-Verlust (nicht brechen) plus eine Volumenstrafe (leicht bleiben) messen, wie schlecht die aktuellen Gewichte versagen; und Backpropagation sendet die Schuld durch den Solver, durch den Fourier-feature-MLP, bis zu jedem Gewicht und Bias über echte Jakobianer. Adam macht dann einen Schritt. Der Lernraten-Knopf passt an, wie mutig er schreitet; der Knoten-Inspektor zeigt die Aktivierungen einzelner Neuronen — obwohl, wie das Panel ehrlich anmerkt, Wissenschaftler noch nicht vollständig benennen können, was jeder Knopf tut. Das ist keine Einschränkung dieser Ausstellung. Das ist der tatsächliche Stand der Wissenschaft.
Der Ansatz — neuronale Topologieoptimierung oder TOuNN — wurde um 2021 veröffentlicht, und er ist die bewusste Ehe zweier bereits in diesem Flügel vorhandener Ausstellungen: der KI-Bildhauer (der SIMP ausführt, ein klassisches heuristisches Dichteupdate, körpervorwärts) und das Neuron Lab (das einen MLP trainiert, Ziffern zu lesen). Der neuronale Designer setzt Backprop auf ein physisches Objekt statt auf ein Klassifikationsproblem ein und verwendet echte Gradienten, um Struktur zu erfinden, so wie DigiSims Logic Lab echte Gate-Logik verwendet, um Berechnung aufzubauen. Die drei Räume sind ein bewusstes Triptychon: heuristischer Optimierer, neuronaler Optimierer, Zifferleser — dieselbe Gradientenabstieg-Engine, drei verschiedene Aufgaben.
Technische Daten
- Methode
- Neuronale Topologieoptimierung (TOuNN) — ein Koordinaten-MLP ist das Design
- Gehirn
- Fourier-feature-MLP (x,y,z)→Dichte, durch Adam durch live FEM trainiert
- Verlust
- Compliance + Volumenstrafe — nicht brechen und leicht bleiben
- Simuliert
- Echter Vorwärts + Backprop, ∇-geprüft; Schuld-Welle + Jakobianer-Gehirn↔Körper-Links
Mehr aus Maschinelles Lernen
