Tegenfeitelijkheden voor Ontwerp: Een Model-Onafhankelijke Methode voor Ontwerpadviezen

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

May 18, 2023

Auteurs: Lyle Regenwetter, Yazan Abu Obaideh, Faez Ahmed

cs.AI

Samenvatting

We introduceren Multi-Objective Counterfactuals for Design (MCD), een nieuwe methode voor counterfactuele optimalisatie in ontwerpproblemen. Counterfactuals zijn hypothetische situaties die kunnen leiden tot een andere beslissing of keuze. In dit artikel formuleren de auteurs het counterfactuele zoekprobleem als een ontwerpadviesinstrument dat kan helpen bij het identificeren van aanpassingen aan een ontwerp, wat leidt tot betere functionele prestaties. MCD verbetert bestaande counterfactuele zoekmethoden door ondersteuning te bieden voor multi-objectieve queries, die cruciaal zijn in ontwerpproblemen, en door het counterfactuele zoek- en samplingproces te ontkoppelen, waardoor de efficiëntie wordt verbeterd en de visualisatie van doelafwegingen wordt vergemakkelijkt. Het artikel demonstreert de kernfunctionaliteit van MCD aan de hand van een tweedimensionale testcase, gevolgd door drie casestudies over fietsontwerp die de effectiviteit van MCD in real-world ontwerpproblemen laten zien. In de eerste casestudie blinkt MCD uit in het aanbevelen van aanpassingen aan query-ontwerpen die de functionele prestaties aanzienlijk kunnen verbeteren, zoals gewichtsbesparing en verbeteringen aan de structurele veiligheidsfactor. De tweede casestudie toont aan dat MCD kan werken met een vooraf getraind taalmodel om effectief ontwerpwijzigingen voor te stellen op basis van een subjectieve tekstprompt. Ten slotte geven de auteurs MCD de opdracht om de gelijkenis van een query-ontwerp met een doelafbeelding en tekstprompt te vergroten, terwijl tegelijkertijd het gewicht wordt verminderd en de structurele prestaties worden verbeterd, wat de prestaties van MCD op een complexe multimodale query demonstreert. Over het algemeen heeft MCD het potentieel om waardevolle aanbevelingen te bieden voor praktijkmensen en onderzoekers op het gebied van ontwerpautomatisatie die antwoorden zoeken op hun "Wat als"-vragen door hypothetische ontwerpwijzigingen en hun impact op meerdere ontwerpdoelen te verkennen. De code, testproblemen en datasets die in het artikel worden gebruikt, zijn openbaar beschikbaar op 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/.