Contrefactuels pour la conception : Une méthode agnostique au modèle pour les recommandations de design

Counterfactuals for Design: A Model-Agnostic Method For Design Recommendations

May 18, 2023

Auteurs: Lyle Regenwetter, Yazan Abu Obaideh, Faez Ahmed

cs.AI

Résumé

Nous présentons Multi-Objective Counterfactuals for Design (MCD), une nouvelle méthode d'optimisation contrefactuelle pour les problèmes de conception. Les contrefactuels sont des situations hypothétiques pouvant conduire à une décision ou un choix différent. Dans cet article, les auteurs formulent le problème de recherche contrefactuelle comme un outil de recommandation de conception capable d'identifier des modifications à apporter à un design pour en améliorer les performances fonctionnelles. MCD améliore les méthodes existantes de recherche contrefactuelle en prenant en charge des requêtes multi-objectifs, essentielles dans les problèmes de conception, et en découplant les processus de recherche et d'échantillonnage contrefactuels, augmentant ainsi l'efficacité et facilitant la visualisation des compromis entre objectifs. L'article démontre la fonctionnalité centrale de MCD à l'aide d'un cas test bidimensionnel, suivi de trois études de cas sur la conception de vélos qui illustrent l'efficacité de MCD dans des problèmes de conception réels. Dans la première étude de cas, MCD excelle à recommander des modifications aux designs de requête pouvant significativement améliorer les performances fonctionnelles, comme la réduction de poids et l'amélioration du facteur de sécurité structurelle. La deuxième étude de cas montre que MCD peut collaborer avec un modèle de langage pré-entraîné pour suggérer des changements de conception basés sur une incitation textuelle subjective. Enfin, les auteurs confient à MCD la tâche d'augmenter la similarité d'un design de requête avec une image cible et une incitation textuelle tout en réduisant le poids et en améliorant les performances structurelles, démontrant ainsi les capacités de MCD sur une requête multimodale complexe. Globalement, MCD a le potentiel de fournir des recommandations précieuses aux praticiens et chercheurs en automatisation de la conception cherchant des réponses à leurs questions « Et si » en explorant des modifications de conception hypothétiques et leur impact sur plusieurs objectifs de conception. Le code, les problèmes tests et les ensembles de données utilisés dans l'article sont disponibles publiquement sur decode.mit.edu/projects/counterfactuals/.

English

We introduce Multi-Objective Counterfactuals for Design (MCD), a novel method for counterfactual optimization in design problems. Counterfactuals are hypothetical situations that can lead to a different decision or choice. In this paper, the authors frame the counterfactual search problem as a design recommendation tool that can help identify modifications to a design, leading to better functional performance. MCD improves upon existing counterfactual search methods by supporting multi-objective queries, which are crucial in design problems, and by decoupling the counterfactual search and sampling processes, thus enhancing efficiency and facilitating objective tradeoff visualization. The paper demonstrates MCD's core functionality using a two-dimensional test case, followed by three case studies of bicycle design that showcase MCD's effectiveness in real-world design problems. In the first case study, MCD excels at recommending modifications to query designs that can significantly enhance functional performance, such as weight savings and improvements to the structural safety factor. The second case study demonstrates that MCD can work with a pre-trained language model to suggest design changes based on a subjective text prompt effectively. Lastly, the authors task MCD with increasing a query design's similarity to a target image and text prompt while simultaneously reducing weight and improving structural performance, demonstrating MCD's performance on a complex multimodal query. Overall, MCD has the potential to provide valuable recommendations for practitioners and design automation researchers looking for answers to their ``What if'' questions by exploring hypothetical design modifications and their impact on multiple design objectives. The code, test problems, and datasets used in the paper are available to the public at decode.mit.edu/projects/counterfactuals/.