El estilo alienígena del diseño generativo de aprendizaje profundo

Fuente: http://www.arup.com/news/2015_05_may/11_may_3d_makeover_for_hyper-efficient_metalwork

¿Qué sucede cuando Deep Learning comienza a generar sus diseños? El error común sería que el diseño de una máquina se vería "mecánico" o "lógico". Sin embargo, lo que parece que estamos encontrando es que se ven muy orgánicos, de hecho se ven orgánicos o como una biología alienígena. Echa un vistazo a algunos de estos diseños fascinantes.

El diseño de la foto de arriba se describe de la siguiente manera:

“Este no es solo un desarrollo emocionante para el sector de la construcción, sino también para muchas otras industrias. En el caso de esta pieza en particular, la altura es aproximadamente la mitad de la diseñada para los métodos de producción tradicionales, mientras que la reducción directa de peso por nodo es del 75%. En un proyecto de construcción, eso significa que podríamos considerar una reducción de peso total de la estructura total de más del 40%. Pero la parte realmente emocionante es que esta técnica puede aplicarse potencialmente a cualquier industria que utilice productos metálicos complejos y de alta calidad ".
- Salomé Galjaard, líder del equipo en Arup

Este es un cuadro de automóvil diseñado por un algoritmo generativo:

El diseño a la derecha de una antena es dos veces más efectivo que el de la izquierda:

Fuente: http://hub-apac.insight.com/h/i/189108757-cad-is-a-lie-generative-design-to-the-rescue/166669

Una potencia de bicicleta ligera generada por un algoritmo.

Fuente: http://www.instructables.com/id/How-to-Design-a-Bike-Stem-in-Dreamcatcher/

Un bloque de motor ligero.

Fuente: http://inthefold.autodesk.com/in_the_fold/2015/07/autodesk-within-generative-design-optimized-for-3d-printing.html

Muchos de estos diseños provienen de la investigación DreamCatcher de Autodesk.

El sistema Dreamcatcher permite a los diseñadores ingresar objetivos de diseño específicos, incluidos los requisitos funcionales, el tipo de material, el método de fabricación, los criterios de rendimiento y las restricciones de costos. Cargado con requisitos de diseño, el sistema luego busca un espacio de diseño sintetizado por procedimientos para evaluar una gran cantidad de diseños generados para satisfacer los requisitos de diseño.

Los diseños generativos también existen no solo en el mundo físico sino también en el diseño de las redes neuronales mismas:

Estas memorias a corto y largo plazo (LSTM) están diseñadas por un algoritmo y demuestran ser más efectivas que las LSTM convencionales (Nota: Estas son redes neuronales diseñadas con elementos de memoria). Estas son arquitecturas neurales generativas, máquinas que aprenden a aprender, más como metamodelos. El aprendizaje aparentemente no es uniforme y sospecho que el razonamiento a nivel meta es un mecanismo primario en el aprendizaje y que se refleja en su manifestación biológica. Después de todo, ¿no es el aprendizaje mejorado por la diversidad y la adaptabilidad? ¿Los mismos ingredientes para la supervivencia biológica?

Lo sorprendente es que estos diseños no existen por el estilo. Más bien, estos diseños son en realidad las soluciones óptimas para múltiples requisitos de diseño competitivos. ¿Por qué se ven orgánicos o biológicos? ¿Existe algún principio fundamental subyacente que exista en los sistemas biológicos que conduzca a esto? ¿Por qué las soluciones no son escasas, sino complejas?

Incluso una pregunta más profunda es, si estos fueran los diseños óptimos, entonces ¿por qué los objetos inanimados no se ven así? Los objetos inanimados que son complejos tienden a tener un estilo fractal:

Crédito: http://www.fhshh.com/the-discovery-of-fractals-extraordinary-examples-of-geometric-complexity-of-mother-nature.html

Los patrones repetitivos auto-similares que vemos en los cristales y las costas, a pesar de parecer complejos, ciertamente tienen un estilo que es diferente de los estilos orgánicos o biológicos. Deep Learning claramente tiene capacidades similares a los sistemas biológicos. Sospecho que esta diferencia se origina en la diferencia en la maquinaria computacional que genera estos. De hecho, es fascinante que el estilo de estos objetos generados sea un reflejo del proceso de su creador.

La autosimilitud se crea a través de procesos uniformes que ocurren en múltiples escalas. En contraste, los procesos biológicos también ocurren en múltiples escalas, se fomenta la diversidad en lugar de la uniformidad. Los humanos, por ejemplo, exhiben una simetría de cinco veces. Vemos similitudes en múltiples escalas, lo que significa que vemos características interesantes diferentes niveles de granularidad gruesa, sin embargo, también vemos diversidad. Esta es la razón por la cual los diseños de los sistemas de aprendizaje profundo parecen biológicos, el proceso de construcción utiliza mecanismos similares.

Un estudio reciente "Dentro de un cerebro con inteligencia artificial: ¿cómo se ve la máquina?" Revela una complejidad biológica similar a la de los sistemas de aprendizaje profundo. Aquí hay una visualización de una red de aprendizaje profundo ResNet-50:

Crédito: https://www.graphcore.ai/blog/what-does-machine-learning-look-like

De hecho, es fascinante que la complejidad sea muy diferente de la complejidad que encontramos en la teoría del caos.

Una idea errónea es que las redes neuronales artificiales o el aprendizaje profundo están inspiradas biológicamente. Esto no es verdad. Puede haber pensado que era cierto en la década de 1950 cuando se introdujo por primera vez el Perceptron. Sin embargo, en el mejor de los casos, Deep Learning emplea una versión de dibujos animados de una neurona y las arquitecturas más nuevas consisten en elementos computacionales que son muy diferentes de cómo funcionaría una neurona biológica. Sin embargo, es realmente sorprendente, sin embargo, que a pesar de ser muy diferente de la biología, el comportamiento observable resultante parece ser muy similar entre ambos. Claramente, hay un conjunto de procesos fundamentales que subyacen a todo esto que tanto la biología como el aprendizaje profundo comparten. Ese proceso fundamental es lo que todos buscamos descubrir.

Sin embargo, una última cosa, solo porque DL exhibe un comportamiento que parece ser biológico, todavía está muy lejos de algo que es inteligente. Sin embargo, al menos sabemos de una instancia de inteligencia, y eso es biológico.

Más cobertura aquí: https://gumroad.com/products/WRbUs

Conozca más sobre esto en Intuition Machine, lea la publicación: https://medium.com/intuitionmachine o únase al grupo de Facebook: https://www.facebook.com/groups/deeplearningpatterns/

♡ ¡Corazón si encuentras este descubrimiento fascinante!