Сегодня нейросети являются важной частью нашей жизни. Современный ИИ прочно вошел в повседневность, охватывая множество сфер — от здравоохранения и банковского дела до развлечений, виртуальной реальности и автоматизации производственных процессов. Особо актуальной остается задача эффективного применения их в 3D-моделировании и аддитивных технологиях (рис.1). Классические подходы к этим процессам часто сталкиваются с ограничениями, снижая общую отдачу от производственных линий. В данной статье разберётся, как использование нейросетей может помочь революции 3D-моделирования и аддитивных технологий, чтобы добиться максимальной производительности в производственных процессах [1].

Рисунок 1. 3DBenchy, стандартная тестовая модель для 3D-печати.

Нейросети представляют собой компьютерные системы, вдохновленные принципами организации и работы человеческого мозга. Они способны обучаться, распознавать паттерны из данных и генерировать обоснованные выводы [2].

Нейросети классифицируют по типам задач, с которыми они работают:

• Многослойные перцептроны (MLP), или перцептроны, обрабатывают числовые данные;
• Свёрточные сети (CNN) bпользуются для анализа визуальных изображений;
• Рекуррентные сети (RNN) собирают и обрабатывают информацию, которая меняется с течением времени;
• Генеративные модели (GAN) создают контент — тексты, изображения.

Из предыдущих типов задач следует сформировать преимущества искусственного интеллекта в дизайне и 3D моделировании:

• Эффективность и скорость. Искусственный интеллект берёт на себя трудоёмкие задачи, конвертацию форматов, тестирование вариантов и массовую генерацию альтернативных решений.
• Повышение креативности. Дизайнеры и инженеры получают мощный катализатор идей. ИИ анализирует миллионы возможных конфигураций и предлагает ряд неожиданных, но технически реализуемых решений.
• Системы ИИ собирают и обрабатывают информацию в реальном времени: от реакции пользователей до метрик вовлечённости и производительности. На основе этих данных автоматически корректируются параметры контента или продукта.
• Доступность. Теперь не нужно быть экспертом в 3D-моделировании, САПР (Системы Автоматизированного Проектирования) или графических редакторах, чтобы создавать профессиональный контент. Достаточно описать идею текстом или загрузить эскиз — ИИ сделает остальное [3].

3D-принтеры создают физические объекты из цифровых моделей, формируя их слой за слой, и используют разные технологии в зависимости от задачи: FDM плавит пластиковую нить (например, PLA или ABS) и подходит для прототипирования и простых деталей; SLA использует ультрафиолетовый лазер для отверждения жидкой фотополимерной смолы, обеспечивая высокую детализацию и гладкие поверхности, что делает её идеальной для ювелирных изделий, стоматологии и точных моделей; DLP — близкий аналог SLA, но с цифровым проектором, который засвечивает целый слой за раз, что ускоряет печать и подходит для массового производства мелких элементов; SLS и SLM работают с порошковыми материалами — лазер спекает нейлон (SLS) или плавит металл (SLM), обеспечивая высокую прочность без опор, что активно применяется в аэрокосмической, автомобильной и медицинской промышленности (рис. 2) [4].

Рисунок 2. Схема технологий 3D печати

К сегодняшнему дню можно выделить 5 основных задач, для решения которых могут использоваться нейросети.

• Классификация. Для распознавания лиц, эмоций, типов объектов: например, квадратов, кругов, треугольников. Это также выбор конкретного объекта из предложенного множества, то есть для распознавания образов: например, выделение квадрата среди треугольников, что может использоваться для анализа изображений и определения дефектов в продуктах. Это позволяет анализировать данные о работе оборудования и предсказывать возможные поломки.
• Регрессия. Прогнозируя непрерывное числовое значение (например, цены или температуры), может использовать алгоритмы машинного обучения для оптимизации производственных процессов и управления ресурсами. Для задач, требующих получения в результате обработки конкретного числа, как распределения ресурсов, планирования производства.
• Прогнозирования временных рядов. Для составления долгосрочных прогнозов на основе динамического временного ряда значений. Может быть использован для контроля качества продукции на разных этапах производства.
• Генерация. Для автоматизированного создания контента или его трансформации. Может помочь в автоматизации производственных процессов, таких как маркировка, сортировка, сборка.

Например, нейросети применяются для предсказания цен, физических явлений, объёма потребления и других показателей. По сути, даже работу автопилота Tesla можно отнести к процессу прогнозирования временных рядов.

• Кластеризация. Для изучения и сортировки большого объёма неразмеченных данных в условиях, когда неизвестно количество классов на выходе, то есть для объединения данных по признакам. Например, кластеризация применяется для выявления классов картинок и сегментации клиентов.
• Генерация. Для автоматизированного создания контента или его трансформации. Генерация с помощью нейросетей применяется для создания уникальных текстов, аудиофайлов, видео, раскрашивания чёрно-белых фильмов и даже изменения окружающей среды на фото [5].

Нейросети, благодаря своим уникальным возможностям анализа данных и оптимизации процессов, предлагают множество преимуществ, которые и могут стать мощным инструментом для повышения эффективности, автоматизации процессов 3D-моделирования и аддитивных технологий, учитывая их актуальность.

Аддитивные технологии – обобщенное название технологий, которые представляют основу комплекса принципиально новых производственных процессов, предполагающих метод создания трехмерных объектов (3D печать) по данным цифровой CAD-модели путём послойного добавления материала (от английского слова add — «добавлять»). Востребованность инновационных технологий в 3D моделировании заключается в стремительном развитии технологий производства, где требуется наглядная демонстрация уменьшенных копий деталей, механизмов, протезов и т.п. [6].

Сам процесс 3D печати включает в себя несколько этапов. Сначала цифровая 3D модель разбивается на слои, которые затем преобразуются в G-код, понятный принтеру. Далее принтер начинает создавать объект слой за слоем, используя заложенный материал для печати.

Для успешной реализации использования нейросетей необходимо учитывать специфику конкретного применения, а также доступность данных для их обучения. Сейчас все больше компаний начинают использовать ИИ для создания 3D моделей.

Так, компания Meshy создала руководство для начинающих по 3D моделированию на базе ИИ, где для генерации 3D-моделей используются текстовые описания и изображения. Платформа позволяет быстро создавать готовые к использованию модели для игр, визуализации и дополненной реальности, с автоматической оптимизацией полигональной сетки и UV-развёрткой. Это значительно сокращает время разработки — например, создание модели, которое раньше занимало несколько дней, теперь можно выполнить за 10–15 минут [7].

Функция AI Builder в Microsoft Power Platform позволяет создавать и использовать модели ИИ для оптимизации своих бизнес-процессов. включая автоматизацию обработки документов, прогнозирование спроса и анализ данных. Хотя AI Builder пока не поддерживает прямую генерацию 3D-моделей, он может интегрироваться с внешними системами САПР и ИИ-платформами через API.

Boeing использовала технологии Autodesk при создании элементов самолёта 787 Dreamliner — с помощью генеративного дизайна и 3D-печати были изготовлены лёгкие титановые детали. Эти решения позволили снизить массу конструкции на 20%, что привело к экономии топлива и сокращению эксплуатационных расходов [8]. Генеративный дизайн анализировал физические нагрузки, температурные режимы и требования к прочности, предлагая оптимальные формы, которые невозможно было бы придумать вручную. После финальной проверки инженерами модели отправлялись в производство методом аддитивной печати, что также сократило количество этапов сборки.

Развитие нейросетей в 3D моделировании и дизайна открывает новые возможности для технологий производства. Создание модели для печати становится доступнее, а следовательно, и дешевле за счет повышения товаров, произведенных подобным образом: с использованием ИИ. Следует понимать, что нейросеть служит помощником для человека, усиливающим его потенциал.