Lorsque les ingénieurs ou les concepteurs souhaitent tester les propriétés aérodynamiques de la nouvelle forme d'une voiture, avion, ou autre objet, ils modéliseraient normalement le flux d'air autour de l'objet en demandant à un ordinateur de résoudre un ensemble complexe d'équations - une procédure qui prend généralement des heures, voire une journée entière. Nobuyuki Umetani d'Autodesk Research (maintenant à l'Université de Tokyo) et Bernd Bickel de l'Institute of Science and Technology Austria (IST Austria) ont maintenant considérablement accéléré ce processus, rendre les lignes et les paramètres disponibles en temps réel. Leur méthode, qui est le premier à utiliser l'apprentissage automatique pour modéliser le flux autour d'objets 3D éditables en continu, sera présenté à la prestigieuse conférence SIGGRAPH de cette année à Vancouver, où les chercheurs d'IST Autriche sont impliqués dans un total de cinq présentations.

L'apprentissage automatique peut rendre les méthodes extrêmement chronophages beaucoup plus rapides. Avant, le calcul des propriétés aérodynamiques des voitures prenait généralement une journée. "Avec notre outil de machine learning, nous sommes capables de prédire le débit en quelques fractions de seconde, " explique Nobuyuki Umetani. L'idée d'utiliser le machine learning est née d'une discussion entre les deux collaborateurs de longue date. " Nous partageons tous les deux la vision de rendre les simulations plus rapides, " explique le professeur Bernd Bickel de l'IST Autriche. "Nous voulons que les gens puissent concevoir des objets de manière interactive, et par conséquent, nous travaillons ensemble pour développer des méthodes basées sur les données, " il ajoute.

Jusque là, il a été extrêmement difficile d'appliquer l'apprentissage automatique au problème de la modélisation des champs de flux autour des objets en raison des exigences restrictives de la méthode. Pour l'apprentissage automatique, les données d'entrée et de sortie doivent être structurées de manière cohérente. Cette structuration de l'information fonctionne bien pour les images 2D, où une image peut être facilement représentée par un arrangement régulier de pixels. Mais si un objet 3-D est représenté par des unités qui définissent sa forme, comme un maillage de triangles, la disposition de ces unités peut changer si la forme change. Deux objets qui ressemblent beaucoup à une personne peuvent donc apparaître très différents à un ordinateur, car ils sont représentés par un maillage différent, et la machine serait donc incapable de transférer les informations sur l'une à l'autre.

La solution est venue de l'idée de Nobuyuki Umetani d'utiliser des polycubes pour rendre les formes gérables pour l'apprentissage automatique. Cette approche, qui a été développé à l'origine pour appliquer des textures aux objets dans les animations informatiques, a des règles strictes pour représenter les objets. Un modèle commence par un petit nombre de gros cubes qui sont ensuite affinés et divisés en plus petits selon une procédure bien définie. S'il est représenté de cette manière, les objets avec des formes similaires auront une structure de données similaire que les méthodes d'apprentissage automatique peuvent gérer et comparer.

Les chercheurs ont également prouvé dans leur étude que la méthode d'apprentissage automatique atteint une précision impressionnante, une condition préalable à l'ingénierie. Nobuyuki Umetani explique :« Quand les simulations sont faites de manière classique, les résultats pour chaque forme testée sont finalement rejetés après le calcul. Cela signifie que chaque nouveau calcul commence à partir de zéro. Avec l'apprentissage automatique, nous utilisons les données des calculs précédents, et si nous répétons un calcul, la précision augmente."