- O MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) criou o PhysiOpt, systema que soma IA generativa a simulações de física para criar itens reais, como copos e porta-chaves, testando a viabilidade de impressão 3D.
- O PhysiOpt faz uma análise de elementos finitos para verificar a resistência do design e faz ajustes sutis para manter a aparência e a função.
- O método usa um modelo pré-treinado com “prioris de formas”, permitindo gerar designs funcionais sem necessidade de treino adicional.
- Em testes, o PhysiOpt foi mais rápido e mais realista que um método similar, produzindo itens como copo em formato de flamingo, porta-chaves steampunk e uma mesa com forro de girafa.
- Os pesquisadores apresentaram o trabalho no SIGGRAPH Asia, com apoio do MIT-IBM Watson AI Lab e da Wistron Corp., e planejam avançar para prever restrições e reduzir artefatos.
PhysiOpt, sistema desenvolvido no MIT CSAIL, combina modelos genAI com simulações de física para transformar projetos 3D em itens duráveis para uso real. A ideia é verificar rapidamente se o design aguenta uso cotidiano ao ser fabricado.
O sistema ajusta discretamente as formas para manter aparência e função, executando uma análise de elementos finitos que estressa o modelo e aponta pontos frágeis. Em cerca de 30 segundos, o usuário recebe um objeto prontinho para imprimir.
O usuário pode digitar o que quer criar ou enviar uma imagem. O PhysiOpt então gera um objeto realista e realiza refinamentos sutis para garantir rigidez estrutural sem comprometer o estilo.
Funcionamento e desempenho
O PhysiOpt utiliza uma predição de forma baseada em modelos já treinados, o que evita treinamento adicional. A abordagem permite iterar quantas vezes forem necessárias com uma visão prática de uso, incluindo definições de material, peso suportado e montagem.
Em testes com itens como um porta-chaves steampunk e uma “mesa girafa”, o sistema demonstrou versatilidade para peças com detalhes mecânicos. A pesquisa ressalta que não é necessário grande treinamento adicional para dar semântica aos objetos.
Benefícios e próximos passos
Com o recurso, designers podem prever demandas mecânicas, como se um gancho suportará casacos. O método utiliza análise de elementos finitos para mapear áreas de alto estresse com cores que indicam necessidade de reforço.
Resultados mostram que o PhysiOpt é quase 10 vezes mais rápido por iteração que método similar, o DiffIPC, ao gerar móveis e acessórios. A velocidade facilita transformar ideias em protótipos reais.
Parcerias, apresentação e financiamento
Os pesquisadores atuaram com Kenney Ng, do MIT-IBM Watson AI Lab, e com outros colegas do CSAIL. O estudo foi apresentado na SIGGRAPH Asia, em dezembro, com apoio do MIT-IBM Watson AI Laboratory e da Wistron Corp.
O objetivo é ampliar a capacidade de prever restrições de uso, além de modelar técnicas de fabricação mais complexas, como reduzir vigas de apoio em impressão 3D. O desenvolvimento visa tornar o design inteligente mais acessível.
Entre na conversa da comunidade