デザインのための反事実的推論：デザイン推奨のためのモデル非依存手法
Counterfactuals for Design: A Model-Agnostic Method For Design Recommendations
May 18, 2023
著者: Lyle Regenwetter, Yazan Abu Obaideh, Faez Ahmed
cs.AI
要旨
本論文では、設計問題における反事実的（counterfactual）最適化のための新手法「Multi-Objective Counterfactuals for Design (MCD)」を提案する。反事実的とは、異なる意思決定や選択を導く仮想的な状況を指す。本論文では、反事実的探索問題を設計推奨ツールとして再定義し、設計の変更点を特定することで機能的な性能向上を図る手法を提示する。MCDは、設計問題において重要な多目的クエリをサポートし、反事実的探索とサンプリングプロセスを分離することで効率を向上させ、目的間のトレードオフの可視化を容易にする点で、既存の反事実的探索手法を改善している。本論文では、まず2次元のテストケースを用いてMCDのコア機能を実証し、続いて自転車設計の3つのケーススタディを通じて、現実世界の設計問題におけるMCDの有効性を示す。最初のケーススタディでは、MCDがクエリ設計に対する変更を推奨し、重量削減や構造安全係数の向上といった機能的な性能を大幅に改善できることを示す。2番目のケーススタディでは、MCDが事前学習済みの言語モデルと連携し、主観的なテキストプロンプトに基づいて設計変更を効果的に提案できることを実証する。最後に、著者らはMCDに、ターゲット画像とテキストプロンプトへの類似性を高めつつ、重量を削減し構造性能を向上させるという複雑なマルチモーダルクエリを課し、MCDの性能を示す。全体として、MCDは仮想的な設計変更とその複数の設計目的への影響を探ることで、実務者や設計自動化研究者が「もしも」の問いに答えるための貴重な推奨を提供する可能性を秘めている。本論文で使用したコード、テスト問題、データセットはdecode.mit.edu/projects/counterfactuals/で公開されている。
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/.