L’IA apprend à simuler la croissance et la forme des arbres en réponse à leur environnement

Une équipe de recherche du Département d’informatique et de l’Institut de foresterie numérique de l’Université Purdue, avec son collaborateur Sören Pirk de l’Université de Kiel en Allemagne, a découvert que l’intelligence artificielle peut simuler la croissance et la forme des arbres.

La molécule d’ADN code à la fois la forme de l’arbre et la réponse environnementale dans un minuscule emballage subcellulaire. Dans le cadre de travaux inspirés par l’ADN, Bedrich Benes, professeur d’informatique, et ses associés ont développé de nouveaux modèles d’IA qui compressent les informations nécessaires au codage de la forme arborescente dans un modèle neuronal de la taille d’un mégaoctet.

Après la formation, les modèles d’IA codent le développement local d’arbres qui peuvent être utilisés pour générer des modèles d’arbres complexes de plusieurs gigaoctets de géométrie détaillée en sortie.

Dans deux articles, dont un publié dans Transactions ACM sur les graphiques et l’autre dans Transactions IEEE sur les visualisations et les infographiesBenes et ses co-auteurs décrivent comment ils ont créé leurs modèles d’IA de simulation d’arbre.

« Les modèles d’IA apprennent à partir de grands ensembles de données pour imiter le comportement intrinsèque découvert », a déclaré Benes.

Les modèles d’arbres numériques non basés sur l’IA sont assez complexes et impliquent des algorithmes de simulation qui prennent en compte de nombreux facteurs non linéaires qui s’influencent mutuellement. De tels modèles sont nécessaires dans des domaines tels que l’architecture et l’urbanisme, ainsi que dans les industries du jeu et du divertissement, afin de rendre les conceptions plus attrayantes pour leurs clients et publics potentiels.

Après avoir travaillé avec des modèles d’IA pendant près de 10 ans, Benes s’attendait à ce qu’ils soient capables d’améliorer considérablement les méthodes existantes pour les jumeaux numériques d’arbres. La taille des modèles était cependant surprenante. « C’est un comportement complexe, mais il a été compressé en une petite quantité de données », a-t-il déclaré.

Co-auteurs du Transactions ACM sur les graphiques L’article était Jae Joong Lee et Bosheng Li, étudiants diplômés de Purdue en informatique. Co-auteurs du Transactions IEEE sur la visualisation et l’infographie l’article était celui de Li et Xiaochen Zhou, également étudiants diplômés de Purdue en informatique ; Songlin Fei, titulaire de la chaire du doyen en télédétection et directeur de l’Institut de foresterie numérique ; et Sören Pirk de l’Université de Kiel, Allemagne.

Les chercheurs ont utilisé l’apprentissage profond, une branche de l’apprentissage automatique au sein de l’IA, pour générer des modèles de croissance pour l’érable, le chêne, le pin, le noyer et d’autres espèces d’arbres, avec ou sans feuilles. L’apprentissage profond implique le développement de logiciels qui entraînent des modèles d’IA à effectuer des tâches spécifiées via des réseaux neuronaux liés qui tentent d’imiter certaines fonctionnalités du cerveau humain.

« Bien que l’IA soit devenue apparemment omniprésente, jusqu’à présent, elle s’est révélée très efficace dans la modélisation de géométries 3D sans rapport avec la nature », a déclaré Benes. Il s’agit notamment d’efforts liés à la conception assistée par ordinateur et à l’amélioration des algorithmes pour la fabrication numérique.

« Obtenir un modèle de végétation géométrique 3D est un problème ouvert en infographie depuis des décennies », ont déclaré Benes et ses co-auteurs dans leur Transactions ACM papier. Bien que certaines approches de simulation des comportements biologiques s’améliorent, ils ont noté que « les méthodes simples qui fourniraient rapidement de nombreux modèles 3D d’arbres réels ne sont pas facilement disponibles ».

Les experts possédant une expertise en biologie ont traditionnellement développé des simulations de croissance des arbres. Ils comprennent comment les arbres interagissent avec les conditions environnementales. La compréhension de ces interactions complexes dépend des caractéristiques conférées à l’arbre par son ADN. Il s’agit notamment des angles de ramification, qui sont beaucoup plus grands pour les pins que pour les chênes par exemple. L’environnement, quant à lui, dicte d’autres caractéristiques qui peuvent faire en sorte qu’un même type d’arbre cultivé dans deux conditions différentes présente des formes complètement différentes.

« Dissocier les propriétés intrinsèques de l’arbre et sa réponse environnementale est extrêmement compliqué », a déclaré Benes. « Nous avons observé des milliers d’arbres et nous avons pensé : « Hé, laissez l’IA l’apprendre. » Et peut-être pourrons-nous alors apprendre l’essence de la forme des arbres grâce à l’IA. »

Les scientifiques construisent généralement des modèles basés sur des hypothèses et des observations de la nature. En tant que modèles créés par les humains, ils ont un raisonnement derrière eux. Les modèles des chercheurs généralisent le comportement de plusieurs milliers d’arbres de données d’entrée codées dans l’IA. Ensuite, les chercheurs valident que les modèles se comportent de la même manière que les données d’entrée.

La faiblesse des modèles d’arbres IA est qu’ils manquent de données de formation décrivant la géométrie des arbres 3D du monde réel.

« Dans nos méthodes, nous devions générer les données. Nos modèles d’IA ne simulent donc pas la nature. Ils simulent des algorithmes de développement des arbres », a déclaré Benes. Il aspire à reconstruire des données géométriques 3D à partir d’arbres réels à l’intérieur d’un ordinateur.

« Vous prenez votre téléphone portable, prenez une photo d’un arbre et vous obtenez une géométrie 3D à l’intérieur de l’ordinateur. Elle peut être tournée. Zoom avant, zoom arrière », a-t-il déclaré. « C’est la prochaine étape. Et cela correspond parfaitement à la mission de la foresterie numérique. »