Un vrai réseau de neurones s'enseigne à concevoir un support de turboréacteur — en direct, dans votre navigateur, piloté par de la vraie physique. L'optimiseur ici est littéralement un MLP de coordonnées : un petit réseau de neurones qui prend la position (x, y, z) de chaque élément du support et produit la solidité que cet élément devrait avoir. Le cerveau et la pièce sont le même objet. Ce que vous regardez, c'est les poids du réseau qui se mettent à jour, itération après itération, jusqu'à ce que le champ de densité qu'ils produisent soit un support qui ne cassera pas et ne gaspille aucun métal.
Rien ici n'est sculpté à la main. Chaque étape d'entraînement suit le même rythme en quatre temps que tout l'apprentissage automatique : une passe avant à travers le réseau produit un champ de densité ; un solveur de contraintes par éléments finis — le « test de torture » — vérifie comment le support fléchit sous charge ; une perte de compliance (ne pas casser) plus une pénalité de volume (rester léger) mesurent à quel point les poids actuels échouent ; et la rétropropagation renvoie le blâme à travers le solveur, à travers le MLP avec caractéristiques de Fourier, jusqu'à chaque poids et biais via de vraies Jacobiennes. Adam prend ensuite un pas. Le bouton de taux d'apprentissage ajuste avec quelle audace il avance ; l'inspecteur de nœuds montre les activations des neurones individuels — bien que, comme le panneau le note honnêtement, les scientifiques ne peuvent pas encore nommer pleinement ce que fait chaque réglage. Ce n'est pas une limitation de cette exposition. C'est l'état réel de la science.
L'approche — optimisation topologique neuronale, ou TOuNN — a été publiée vers 2021, et c'est le mariage délibéré de deux expositions déjà dans cette aile : le Sculpteur IA (qui exécute SIMP, une mise à jour de densité heuristique classique, axé sur le corps) et le Neuron Lab (qui entraîne un MLP à lire des chiffres). La Machine Rêvante met la rétropropagation au travail sur un objet physique plutôt qu'un problème de classification, utilisant de vrais gradients pour inventer une structure de la façon dont le Logic Lab de DigiSim utilise la vraie logique de portes pour construire un calcul. Les trois salles sont une trilogie intentionnelle : optimiseur heuristique, optimiseur neuronal, lecteur de chiffres — le même moteur de descente de gradient, trois emplois différents.
Caractéristiques
- Méthode
- Optimisation topologique neuronale (TOuNN) — un MLP de coordonnées est le design
- Cerveau
- MLP avec caractéristiques de Fourier (x,y,z)→densité, entraîné par Adam via une MEF en direct
- Perte
- Compliance + pénalité de volume — « ne pas casser » et « rester léger »
- Simulé
- Vraie passe avant + rétropropagation, ∇-vérifiée ; onde de blâme + liens cerveau↔corps Jacobiens
Plus dans Apprentissage automatique
