代理性如何影响人-AI协同设计空间探索？基于深度生成模型的船舶设计案例研究
机器学习
2023-05-19 v1
摘要
典型的参数化方法通过基于基线设计生成变体，限制了多样设计的探索。相比之下，生成模型通过利用现有设计创建紧凑而多样的生成式设计空间（GDSs）提供了一种解决方案。然而，当前探索方法在复杂GDSs（尤其是船体设计）中的有效性仍不明确。为此，我们首先使用在52,591个各类船舶设计上训练的生成对抗网络构建GDS。接下来，我们构建了三种探索模式：随机（REM）、半自动（SAEM）和自动（AEM），具有不同级别的用户参与度，以探索GDS中的新颖且优化的设计。在REM中，用户基于直觉手动探索GDS。在SAEM中，用户和优化器共同驱动探索；优化器专注于探索一组多样的优化设计，而用户将探索导向其设计偏好。AEM使用优化器基于设计性能搜索全局最优。我们的结果显示，REM生成的设计最具多样性，其次是SAEM和AEM。然而，SAEM和AEM产生性能更好的设计。具体而言，SAEM在探索新颖性与性能之间高权衡的设计上最为有效。总之，我们的研究强调了需要创新的探索方法以充分释放GDS在设计优化中的潜力。
引用
@article{arxiv.2305.10451,
title = {How does agency impact human-AI collaborative design space exploration? A case study on ship design with deep generative models},
author = {Shahroz Khan and Panagiotis Kaklis and Kosa Goucher-Lambert},
journal= {arXiv preprint arXiv:2305.10451},
year = {2023}
}