Функціональне представлення 3D-об’єктів, як метод універсалізації даних в генеративних моделях машинного навчання

Анотація

У статті пропонується новий метод представлення тривимірних об’єктів через скалярні функції векторного аргументу. Цей спосіб представлення дозволяє звести функцію до ряду нормалізованих векторів, що є ключовою вимогою під час побудови моделей машинного навчання класу Transformer. Необхідність розробки такого методу ґрунтується на загальній концептуальній гіпотезі про можливість використання на поточний момент найбільш успішного типу генеративних нейронних мереж, який є центральним в сфері великих мовних моделей (LLM), для генерування 3D-об’єктів із специфічними фізичними властивостями. Ця гіпотеза випливає з того, що моделі класу Transformer (зокрема GPT) вже були застосовні для генерування двовимірних зображень, тому за допомогою правильного представлення тривимірних форм об’єктів можливо розширити застосування до 3D-моделювання. Результати тестування запропонованого методу показали високу точність згортання «хмари точок» поверхні 3D-моделі у ряд векторів (ембедингів) та відновлення з цього ряду вихідної фігури. Демонстраційна реалізація методу має недолік, пов’язаний з неточністю інтерполяції функції, проте це не є обмеженням самого методу, а лише його технічної реалізації. Справжнє обмеження методу полягає у звуженні до лише одного класу топологічних просторів. Подальші дослідження будуть спрямовані на узагальнення цього методу на всі можливі типи топологій