PHYSNA LANCIA THANGS, UN MOTORE DI RICERCA DI MODELLI 3D BASATO SUL DEEP LEARNING

Lo specialista del deep learning geometrico Physna ha lanciato quello che chiama il motore di ricerca geometrico più potente del mondo: Thangs .

Invece di eseguire la scansione di testo o immagini, Thangs utilizza algoritmi di apprendimento profondo per indicizzare i modelli 3D basati sui poligoni, o triangoli, che compongono i loro volumi. Al momento del lancio, il sito free-to-join aveva già più di un milione di modelli 3D pubblici indicizzati, con piani di espansione nei prossimi mesi.

Oltre a un semplice algoritmo di ricerca intelligente, Thangs fornisce anche funzionalità di controllo della versione e “previsioni di parti compatibili” per la comunità 3D e dovrebbe essere un successo con designer, ingegneri e appassionati di 3D.

Paul Powers, CEO di Physna, spiega: “Thangs è il primo prodotto aperto di Physna, ma utilizza parte della stessa potente tecnologia al centro delle nostre offerte aziendali. Il nostro prodotto aziendale è ampiamente riconosciuto come leader tecnologico nella ricerca e nell’analisi 3D e stiamo democratizzando alcune delle sue capacità tramite Thangs. Questo prodotto è costruito per essere abbastanza potente per un ingegnere CAD aerospaziale leader, ma abbastanza semplice da poter essere utilizzato da chiunque.

Physna chiama il suo prodotto il crossover Google x GitHub del mondo 3D e guardando il team di leadership del progetto, non è difficile capire perché. Dennis DeMeyere, CTO di Physna, era un ex direttore tecnico presso l’ufficio del CTO di Google Cloud. A luglio, anche Jason Warner, attuale CTO di GitHub, è entrato a far parte dell’azienda come membro del consiglio. Con la formazione all-star, Physna mira a incorporare le principali funzionalità di questi due giganti tecnologici nella propria piattaforma di modelli 3D.

Thangs è stato costruito sulla premessa che il mondo dei dati 3D è ancora molto manuale rispetto allo sviluppo di software tradizionale. Non esiste un motore di ricerca centrale, quindi trovare i file necessari è un processo noioso. Anche il lavoro di collaborazione all’interno delle aziende è rudimentale a causa della mancanza di software di controllo della versione e può comportare l’archiviazione su cloud o la condivisione tramite e-mail.

Come funziona?

Con Thangs, gli utenti sono in grado di caricare parti e ricevere suggerimenti su dove quella parte può essere utilizzata e quali componenti disponibili in commercio potrebbero essere compatibili con essa. C’è, ovviamente, una tradizionale casella di ricerca basata su testo per trovare anche le parti desiderate. Gli utenti possono eseguire ricerche in base alle proprietà fisiche, alle misurazioni e alle caratteristiche dell’oggetto e ricevere previsioni sulla sua funzione, costo, materiali e prestazioni.

Il sito funziona anche a livello sociale, poiché designer e colleghi sono in grado di condividere e collaborare su modelli 3D senza problemi. Il controllo della versione è automatizzato, proprio come GitHub, e gli utenti possono lasciare commenti e modelli “mi piace” per salvarli per dopo, il che attiva una notifica per l’uploader. Poiché il portfolio di lavoro di un designer 3D è accessibile dal suo profilo, può anche servire come una sorta di curriculum.

Secondo Powers, Thangs è sulla buona strada per diventare il più grande database di modelli 3D al mondo entro un anno dal suo lancio. Indicizza automaticamente tutti i modelli pubblici che trova e poiché si basa su un algoritmo di apprendimento profondo, diventa sempre più sofisticato con ogni aggiunta.


L’apprendimento automatico nella produzione additiva sta diventando sempre più comune con l’avanzare della tecnologia di stampa 3D. All’inizio di questo mese, la società di ingegneria Renishaw ha collaborato con lo specialista di robotica Additive Automations per far avanzare la tecnologia di post-elaborazione automatizzata per parti metalliche stampate in 3D. La collaborazione comporterà l’utilizzo di algoritmi di deep learning per rilevare e rimuovere automaticamente le strutture di supporto utilizzando bracci robotici.

Altrove, i ricercatori dell’Argonne National Laboratory e della Texas A&M University hanno sviluppato un nuovo approccio innovativo basato sull’apprendimento automatico per il rilevamento dei difetti nelle parti stampate in 3D. Con l’aiuto di dati sulla temperatura in tempo reale, gli scienziati sono stati in grado di creare collegamenti correlativi tra la storia termica e la formazione di difetti nel sottosuolo durante il PBF laser. Ora, il team prevede di sviluppare il lavoro con più set di dati e un modello di apprendimento automatico migliorato.

Lascia un commento