디자인을 위한 반사실적 분석: 디자인 권장 사항을 위한 모델 불가지론적 방법

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

May 18, 2023

저자: Lyle Regenwetter, Yazan Abu Obaideh, Faez Ahmed

cs.AI

초록

본 논문에서는 디자인 문제에서의 반사실적 최적화를 위한 새로운 방법론인 다목적 반사실적 디자인(Multi-Objective Counterfactuals for Design, MCD)을 소개합니다. 반사실적 상황은 다른 결정이나 선택으로 이어질 수 있는 가상의 시나리오를 의미합니다. 본 논문에서는 반사실적 탐색 문제를 디자인 개선을 위한 추천 도구로 재구성하여, 더 나은 기능적 성능을 이끌어낼 수 있는 디자인 수정 사항을 식별하는 데 도움을 줄 수 있도록 합니다. MCD는 디자인 문제에서 중요한 다목적 질의를 지원하고, 반사실적 탐색과 샘플링 과정을 분리함으로써 기존의 반사실적 탐색 방법을 개선하여 효율성을 높이고 목표 간 상충 관계 시각화를 용이하게 합니다. 본 논문에서는 2차원 테스트 케이스를 통해 MCD의 핵심 기능을 시연한 후, 실제 디자인 문제에서 MCD의 효과를 입증하기 위해 자전거 디자인에 대한 세 가지 사례 연구를 제시합니다. 첫 번째 사례 연구에서 MCD는 질의 디자인에 대한 수정 사항을 추천하여 무게 절감 및 구조적 안전 계수 개선과 같은 기능적 성능을 크게 향상시키는 데 탁월한 성과를 보여줍니다. 두 번째 사례 연구에서는 MCD가 사전 훈련된 언어 모델과 협력하여 주관적인 텍스트 프롬프트를 기반으로 디자인 변경 사항을 효과적으로 제안할 수 있음을 입증합니다. 마지막으로, 저자들은 MCD에 복잡한 다중 모드 질의를 수행하도록 하여, 질의 디자인의 무게를 줄이고 구조적 성능을 개선하면서도 목표 이미지 및 텍스트 프롬프트와의 유사성을 동시에 높이는 과제를 부여함으로써 MCD의 성능을 입증합니다. 전반적으로, MCD는 가상의 디자인 수정 사항과 여러 디자인 목표에 미치는 영향을 탐색함으로써 실무자와 디자인 자동화 연구자들이 "만약에"라는 질문에 대한 답을 찾는 데 유용한 추천을 제공할 수 있는 잠재력을 가지고 있습니다. 본 논문에서 사용된 코드, 테스트 문제 및 데이터셋은 decode.mit.edu/projects/counterfactuals/에서 공개되어 있습니다.

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/.