Yapıların tasarımı için algoritmaların kullanımı, ultrahafif uçaklar, yüksek bant genişimli antenler ve Formül 1 yarış arabaları için optimize edilmiş yeni parçaların ortaya çıkmasına yol açtı.
Ancak en iyi algoritmik tasarım teknikleri hâlâ yoğun hesaplama ve zaman gerektiriyor: Kullanıcılar, tasarımı yalnızca tamamlandıktan sonra görebiliyor ve ardından değişiklik yapmak için tasarım sürecini genellikle yeniden başlatmak zorunda kalıyor. Bu süreç aynı zamanda nihai tasarımların yapısal açıdan sağlam olduğuna dair güveni de zorlaştırıyor.
MIT araştırmacıları, bir yapay zekâ “copilot’u” gibi davranan bir sistemle algoritmik tasarımları daha işbirlikçi hale getiriyor. Algoritmaya yapı oluşturulurken, insan tasarımcıdan geri bildirim almak için bölgeler sunuluyor.
Sistemi açık erişimli Communications Engineering dergisinde anlatan araştırmacılar, sistemin yalnızca 15 saniye ek tasarım süresiyle, tüm algoritmik yaklaşımlara kıyasla üretimi daha kolay ve burkulma yükü daha yüksek yapılar ortaya çıkardığını gösterdi.
Araştırmacılar, topolojik optimizasyon olarak bilinen bir tasarım tekniğini kullanan bu yaklaşımın, algoritmik tasarımı daha geniş bir mühendis sınıfı için erişilebilir ve üretilebilir hale getirebileceğine inanıyor.
“Şu anda insan, tasarım süreci ilerlerken bu süreç üzerinde herhangi bir etki ya da kontrol sahibi değil,” diyen baş yazar Dat Ha (PhD ’26), yakın zamanda MIT’den medeniyet ve çevre mühendisliği doktora derecesini alan ve şimdi LeMessurier’de yapı tasarımcısı olarak çalışan bir doktora öğrencisiydi. “Bu gerçekten karmaşık tasarımlar için, bu tasarım problemlerini sanayi için daha pratik bir şekilde çözmek amacıyla en karmaşık makine olan beynimize de başvurmak istedik.”
Ha ile makalede birlikte çalışanlar, şu anda Georgia Tech’te yardımcı profesör olan eski bir MIT doktora sonrası araştırmacısı Ferdous Alam; MIT Jerry McAfee (1940) Mühendislik Profesörü Markus Buehler; MIT makine mühendisliği yardımcı profesörü Faez Ahmed; ve baş yazar MIT medeniyet ve çevre mühendisliği profesörü Josephine Carstensen.
Döngüye bir insan dahil etmek
Topoloji optimizasyonu, en gelişmiş ve umut verilen algoritmik tasarım tekniklerinden biridir. Belirtilen hedefleri en üst düzeyde gerçekleştirecek biçimde, tasarıma ayrılan alanı yinelemeli olarak dolduran biçimli optimizasyon tekniklerini kullanır. Çoğu uygulamada süreç çok fazla hesaplama ve zaman gerektirir. Sonunda tamamlandığında ise tasarımlar inşa edilmesi zor olabilir ya da mühendisin göz önüne almadığı başka sorunlar içerebilir. Örneğin, bazı tasarımlar tek bir noktada sekiz veya daha fazla kiriş bağlantısına sahip olabilir ve bunlar gerçek dünyada yapılması zor olur.
Mühendisler bilgisayar programlarına her zaman kuşkuyla bakarlar, özellikle de size çok tuşaf görünümlü ya da beklenmedik tasarımlar sunarlarsa” diyor Ha. “Kağıt üzerinde topoloji optimizasyonu gerçekten güçlüdür ve yüksek performanslı, güzel tasarımlar elde edebilir; ancak siyah kutu doğası onu endüstride daha az yaygın kullanım alanı bulmuş durumdadır.”
Topoloji optimizasyon otomotiv ve havacılık sanayinde kabul görmüş olsa da, binalar veya köprüler tasarlamak için daha az kullanılmıştır; bunun nedeni tasarım mühendislerinin, çıktıya güvenilebileceğinden emin olmaları gerektiğidir.
“Büyük bir sınırlayıcı faktör, tasarım mühendisinin tasarımın nasıl geliştiği konusunda çok az etkisi olması ve dolayısıyla istenmeyen özellikleri kontrol edememesidir” diye açıklayan Carstensen. “Kontrol eksikliği ve sahiplenme hissi bunun kullanımını da engelliyor.”
Bu sorunları çözmek için araştırmacılar, topoloji optimizasyonu, Carstensen’in bir tasarım yardımcı pilotuna sahipmiş gibi karşılaştırdığı, daha işbirlikçi bir yaklaşımla daha işbirlikçi hale getirmiştir.
İnsan muhakemesini sisteme katma yönündeki önceki girişimler işleri dramatik biçimde yavaşlatmıştı. Araştırmacıların yeni sistemi, insanın değiştirmek isteyeceği en olası bölgeleri algoritmik tasarım içinde hızlı biçimde belirlemek için makine öğrenimini kullanır. Makine öğrenmesi modelini eğitmek için araştırmacılar, binlerce tasarıma estetik, performans kriterleri ve üretilebilirlik gibi konularda eleştirel geri bildirim içeren sentetik bir insan geri bildirim veri kümesi oluşturmuştur.
“İnsanların bu programlarda nereye müdahale ettiğine dair bir kayıt oluşturabilirsek, belki bu seçimlerin bir örüntüsü vardır; bu da diğer makine öğrenimi yaklaşımlarından pek de farklı değil,” diyor Ha.
Carstensen, sistemi algoritma tabanlı ve insan kaynaklı tasarım yaklaşımlarının en iyi yönlerini bir araya getiren bir yaklaşım olarak görüyor.
“Amaç, tasarımcıların zihninden yararlanmak ve tasarım ilerledikçe alan bilgilerini sürece katmalarını sağlamak,” diyor Carstensen.
Gösterilerde araştırmacılar, insanın sürece dahil edildiği bu yaklaşımın üretilebilirliği ve çizgisel burkulma yükünü yüzde 39 artırırken, toplam tasarım süresini yalnızca mütevazı ölçüde yükselttiğini gösterdi.
Şu anda yaklaşım, kullanıcıların yapıları tanımlanmış bölgelerde yalnızca kalınlaştırma veya inceltme seçeneğini sunuyor; ancak gelecek sürümlerde diğer değiştirme seçenekleri eklemayı umuyorlar.
“Umarız bu engelleri aşarak, topoloji optimizasyonunu yalnızca endüstri için değil, aynı zamanda akademik dünyadaki araştırmacılar ve öğrenciler için de çok daha geniş bir kitle için erişilebilir hale getiriz,” diyor Carstensen.
Araştırmacılar, yaklaşımlarının yalnızca AI’a dayalı tasarım yaklaşımlarını tamamlayıcı olarak gördüklerini belirtiyor.
“İki yaklaşım için de yer olduğundan söz ediyoruz,” diyor Carstensen. “Eğer çok fazla hesaplama kaynağına sahip bir disiplin içindeyseniz, diğer yaklaşımı kullanabilirsiniz. Ancak gerçekten insan girdisine ihtiyacınız varsa, bu işbirlikçi yaklaşımı kullanabilirsiniz.”
İnsan girdisi eklemek aynı zamanda güveni de artırıyor.
“Bazı durumlarda, insanların nihai tasarımı ilerlemeden önce son kararı vermeleri gerekir,” diyor Carstensen. “İnsanları sürece dahil ederek, daha yüksek performanslı tasarımları gerçek dünyaya taşıyabilir ve daha yüksek performanslı yapılar oluşturabiliriz. Çünkü mesele yalnızca iyi nesneler tasarlamak değil; insanların gerçekten kabul edip üreteceği iyi nesneler yaratmak.”
Araştırma, kısmen MathWorks Engineering Fellowship Fund, TATA Steel ve MIT Generative AI Impact Consortium tarafından desteklendi.
