Gen2Physics: Grounding Generated 3D Meshes in Physics via Multi-View Material Decomposition

डिजिटल दुनिया में, कंप्यूटर तीन-आयामी (3D) वस्तुओं को बनाने में असाधारण रूप से कुशल हो गए हैं। एक एकल फोटोग्राफ या कुछ शब्दों के माध्यम से, आधुनिक आर्टिफिशियल इंटेलिजेंस एक कुर्सी, एक रोबोट, या एक खिलौने को आश्चर्यजनक दृश्य विवरण के साथ उत्पन्न कर सकता है। ये डिजिटल रचनाएँ वास्तविक दिखती हैं, लेकिन वे खोखले खोल मात्र हैं। कंप्यूटर के लिए, धातु के पैरों वाली लकड़ी की कुर्सी केवल एक निरंतर सतह है, बिना किसी आंतरिक संरचना वाली एक एकल वस्तु। यह उन लोगों के लिए एक महत्वपूर्ण समस्या पैदा करता है जो इन छवियों का उपयोग वीडियो गेम, रोबोटिक्स या भौतिकी सिमुलेशन (physics simulations) में करना चाहते हैं। वास्तविक दुनिया की वस्तुएं अपनी सामग्रियों के अनुसार व्यवहार करती हैं; हल्के लकड़ी के शरीर पर एक भारी धातु का सिर, समान घनत्व वाले ब्लॉक की तुलना में अलग तरह से झुकेगा और घूमेगा। यह जाने बिना कि कौन सा हिस्सा किस चीज का बना है, एक कंप्यूटर यह सिम्युलेट नहीं कर सकता कि कोई वस्तु कैसे गिरेगी, उछलेगी या लुढ़केगी। दशकों से, किसी वस्तु के दिखने और उसके व्यवहार करने के बीच का यह अंतर एक बड़ी बाधा रहा है, जिससे डिजिटल रचनाकारों के पास सुंदर लेकिन स्थिर एसेट्स (assets) रह जाते हैं जो सिमुलेशन के भौतिक नियमों के साथ अंतःक्रिया नहीं कर सकते।

शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए 'Gen2Physics' नामक एक नई प्रणाली विकसित की है। उनका लक्ष्य एक स्थिर, जनरेटेड 3D मेश (mesh) को लेना और स्वचालित रूप से यह पता लगाना है कि वह किस चीज से बना है, और उसे अलग-अलग, सिमुलेशन-तैयार टुकड़ों में विभाजित करना है। वस्तु को भौतिक गुणों को ध्यान में रखते हुए शून्य से बनाने के बजाय, उनकी विधि उस समय काम करती है जब वस्तु पहले ही बनाई जा चुकी हो। यह एक डिजिटल जासूस की तरह कार्य करता है जो वस्तु को कई अलग-अलग कोणों से देखता है, उसकी सतह के हर छोटे हिस्से की सामग्री की पहचान करता है, और फिर वस्तु को ठोस भागों के संग्रह के रूप में पुनर्गठित करता है, जिनमें से प्रत्येक का अपना वजन और घनत्व होता है। परिणाम एक ऐसा डिजिटल एसेट है जो न केवल सही दिखता है, बल्कि भौतिकी इंजन (physics engine) में गिराने या धकेलने पर सही ढंग से व्यवहार भी करता है।

प्रक्रिया एक 3D वस्तु को एक ऐसी मूर्ति की तरह मानकर शुरू होती है जिसका हर तरफ से परीक्षण किया जाना है। सिस्टम वस्तु को ग्यारह अलग-अलग दृष्टिकोणों से रेंडर करता है, ठीक वैसे ही जैसे किसी मूर्ति को देखने के लिए उसके चारों ओर घूमना। प्रत्येक दृश्य के लिए, एक विशेष कंप्यूटर विजन मॉडल छवि का विश्लेषण करता है ताकि प्रत्येक पिक्सेल की सामग्री का अनुमान लगाया जा सके। यह तय करने के लिए कि सतह लकड़ी है, धातु है, कांच है या कपड़ा है, यह चमक, बनावट और रंग जैसे संकेतों को खोजता है। हालाँकि, वस्तु को केवल एक कोण से देखना भ्रामक हो सकता है। एक प्रतिबिंब लकड़ी के पैर को धातु जैसा दिखा सकता है, या एक छाया प्लास्टिक के हैंडल को छिपा सकती है। इसे हल करने के लिए, सिस्टम ग्यारहों दृश्यों को 3D मॉडल पर वापस प्रोजेक्ट करता है और एक वोटिंग सिस्टम का उपयोग करता है। यदि ग्यारह में से दस दृश्य इस बात से सहमत हैं कि वस्तु का एक विशिष्ट भाग धातु है, तो सिस्टम उसे सत्य के रूप में स्वीकार करता है। यह चरण सुनिश्चित करता है कि सामग्रियों का अंतिम मानचित्र सुसंगत है और एकल परिप्रेक्ष्य से होने वाले भ्रम से मुक्त है।

एक सुसंगत मानचित्र होने के बावजूद, कंप्यूटर अभी भी जो वह देखता है उसके आधार पर गलतियाँ कर सकता है। एक पतला, चमकदार पैर कैमरे को धातु जैसा दिख सकता है, लेकिन यदि वस्तु एक कुर्सी है, तो सामान्य ज्ञान बताता है कि यह संभवतः लकड़ी का होगा। इन तार्किक त्रुटियों को ठीक करने के लिए, सिस्टम एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग करता है, जो संदर्भ समझने के लिए प्रशिक्षित एक प्रकार का आर्टिफिशियल इंटेलिजेंस है। यह मॉडल वस्तु को समग्र रूप से देखता है, उसके आकार और कार्य पर विचार करता है, और सामग्री के लेबल को सुधारता है। यह तय कर सकता है कि एक भाग जिसे "धातु" लेबल किया गया है वह वास्तव में "लकड़ी" है क्योंकि वह कुर्सी के पैर का हिस्सा है, या एक "प्लास्टिक" वाला भाग वास्तव में "कांच" है क्योंकि वह एक पारदर्शी फूलदान है। यह चरण तर्क की एक ऐसी परत जोड़ता है जो शुद्ध इमेज विश्लेषण प्राप्त नहीं कर सकता, जिससे यह सुनिश्चित होता है कि सामग्रियां वास्तविक दुनिया में तर्कसंगत हों।

एक बार सामग्रियां सही ढंग से पहचान ली जाने के बाद, सिस्टम के सामने अंतिम चुनौती आती है: इन सपाट सतह के पैच को ठोस, वाटरटाइट (watertight) आयतनों में बदलना। एक सिमुलेशन इंजन खोखले खोल के साथ काम नहीं कर सकता; उसे यह जानने की आवश्यकता है कि वस्तु के अंदर क्या है ताकि वह गणना कर सके कि वह कितनी भारी है और कैसे घूमेगी। सिस्टम गायब ज्यामिति (geometry) को भर देता है, जिससे प्रत्येक सामग्री भाग के लिए पूर्ण 3D आकार बन जाते हैं। इसके बाद यह भाषा मॉडल से पूछता है कि क्या प्रत्येक भाग पूरी तरह से ठोस है या खोखला, जैसे कि एक पाइप या एक खोल। यदि कोई भाग खोखला है, तो सिस्टम दीवारों की मोटाई का अनुमान लगाता है। इन विवरणों के साथ, यह पूरे ऑब्जेक्ट के सटीक द्रव्यमान (mass) और वजन वितरण की गणना कर सकता है। यह कंप्यूटर को, उदाहरण के तौर पर, यह जानने की अनुमति देता है कि रोबोट का भारी धातु का सिर ऊपर है, जिसके कारण धक्का देने पर वह अपने केंद्र के चारों ओर सटीक रूप से घूमने के बजाय झुक जाएगा।

शोधकर्ताओं ने अपने तरीके का परीक्षण 3D मॉडलों के एक बड़े संग्रह पर किया और पिछली तकनीकों के साथ इसकी तुलना की। उन्होंने पाया कि उनका दृष्टिकोण सामग्रियों की पहचान करने में बहुत अधिक सटीक था, जिसने उनके परीक्षण सेट में लगभग आधे भागों को सही ढंग से लेबल किया, जो कि पहले की विधियों की सफलता दर से दोगुना से अधिक था। जब उन्होंने वस्तुओं के गिरने और टकराने का सिमुलेशन किया, तो परिणाम आश्चर्यजनक थे। एक परीक्षण में, धातु के भारी सिर और लकड़ी के शरीर वाले एक रोबोट के सिर को गिराया गया। पुरानी विधियों ने, जिन्होंने पूरी वस्तु को समान घनत्व का माना था, इसे अपने ज्यामितीय केंद्र के चारों ओर एक अप्राकृतिक तरीके से घुमाया। हालाँकि, नया सिस्टम भारी धातु के सिर को सही ढंग से पहचान सका, वास्तविक द्रव्यमान केंद्र की गणना की, और एक ऐसे पतन का सिमुलेशन किया जो वास्तविक दुनिया के भौतिकी से मेल खाता था, जिसमें भारी सिर ने वस्तु को नीचे खींचा और वास्तविक रूप से घुमाया।

यह कार्य इंटरैक्टिव अनुप्रयोगों के लिए डिजिटल सामग्री को उपयोगी बनाने की दिशा में एक महत्वपूर्ण कदम है। जटिल 3D आकारों को उनके सामग्री घटकों में स्वचालित रूप से विघटित करके और उन्हें यथार्थवादी भौतिक गुण सौंपकर, यह प्रणाली स्थिर छवियों को गतिशील, इंटरैक्टिव वस्तुओं में बदल देती है। शोधकर्ता बताते हैं कि जबकि उनकी विधि अत्यधिक प्रभावी है, यह अभी भी गायब ज्यामिति को भरने के लिए बाहरी उपकरणों पर निर्भर करती है और प्रारंभिक 3D मॉडल की गुणवत्ता पर निर्भर करती है। वे यह भी बताते हैं कि उनके वर्तमान परीक्षण उन वस्तुओं तक सीमित हैं जहाँ सामग्रियां सतह पर दिखाई देती हैं, जिसका अर्थ है कि जटिल आंतरिक संरचनाओं वाली वस्तुएं जिन्हें बाहर से नहीं देखा जा सकता, वे अभी भी एक चुनौती बनी हुई हैं। फिर भी, ऐसी संपत्तियां उत्पन्न करने की क्षमता जो दृश्य रूप से निष्ठावान और भौतिक रूप से प्रशंसनीय (plausible) दोनों हों, रोबोटिक्स, गेमिंग और इंजीनियरिंग में अधिक यथार्थवादी सिमुलेशन के द्वार खोलती है, जिससे डिजिटल और भौतिक दुनिया एक-दूसरे के करीब आती है।