ИИ и Архитектура

24 марта, 2020 In Uncategorized

В этой статье мы выпускаем часть нашего тезиса, разработанного в Гарварде и представленного в мае 2019 года. Этот фрагмент является одним из строительных блоков более обширной работы, посвященной изучению создания ИИ в архитектуре, его исторических предпосылок и потенциала в космосе. организация и стиль.

Искусственный интеллект, как дисциплина, уже пронизывает бесчисленные области, привнося средства и методы для ранее нерешенных проблем во всех отраслях. Появление искусственного интеллекта в архитектуре, еще только начинается, но дает многообещающие результаты. Такой потенциал представляет собой нечто большее, чем просто возможность, и представляет для нас важный шаг вперед в деле изменения архитектурной дисциплины.

Наша работа предлагает подтвердить что это применимо к искусственной среде. В частности, мы предлагаем применять ИИ для анализа и генерации планов этажей. Наша конечная цель состоит из трех частей: (1) создать планы этажей, т.е. оптимизировать создание большого и очень разнообразного количества планов этажей, (2) квалифицировать планы этажей, т.е. предложить правильную методологию классификации (3), чтобы позволить пользователям «просматривать» сгенерированные варианты дизайна.

Наша методология основана на двух основных принципах: (1) создание планов здания является нетривиальной технической задачей, хотя и включает стандартную технику оптимизации , и (2) проектирование пространства представляет собой последовательный процесс, требующий последовательных этапов проектирования в разных масштабах (городской масштаб, строительный масштаб, единица измерения), Затем, чтобы использовать эти две реальности, мы выбрали вложенные генерирующие состязательные нейронные сети или GAN. Такие модели позволяют нам улавливать больше сложности по встречающимся планам этажей и разбивать сложность, решая проблемы с помощью последовательных шагов. На каждом этапе, соответствующем данной модели, специально обученной для этой конкретной задачи, этот процесс может в конечном итоге свидетельствовать о возможной обратной связи между людьми и машинами.

Планы — действительно проблема большого размера, на пересечении измеримой техники и более качественных свойств. Изучение архитектурного прецедента слишком часто остается опасным процессом, который сводит на нет богатство количества существующих ресурсов при отсутствии аналитической строгости.Наша методология, основанная на современных методологиях Data Science, предназначена для квалификационных планов. Посредством создания 6 метрик мы предлагаем структуру, которая фиксирует архитектурно значимые параметры поэтажных планов. С одной стороны, Footprint формы, ориентации, толщина и текстура три метрики захватывая суть данного плана этажа в стиле . С другой стороны, « Программа», «Связь» и « Циркуляция» предназначены для отображения сути любой организации поэтажного плана .

Короче говоря, машина, которая когда-то была продолжением нашего карандаша, сегодня может быть использована для отображения архитектурных знаний и обучения, чтобы помочь нам в создании жизнеспособных вариантов дизайна.

1. Структура

Наша работа находится на стыке архитектуры и искусственного интеллекта. Первая тема, вторая метод. Оба были упрощены в четкие и действенные категории.

Архитектура здесь понимается как пересечение стиля и организации . С одной стороны, мы рассматриваем здания как векторы культурного значения , которые выражают через свою геометрию, таксономию, типологию и оформление определенный стиль. Барокко, Роман, Готика, Модерн, Модерн: столько архитектурных стилей, которые можно найти, тщательно изучив планы этажей. С другой стороны, здания являются продуктом инженерии и науки, отвечающим строгим рамкам и правилам — строительным нормам, эргономике, энергетической эффективности, выходу, программе и т. Д., Которые можно найти, читая план здания. Этот организационный императив завершит наше определение архитектуры и послужит стимулом для нашего исследования.

Искусственный интеллект будет использоваться с использованием двух основных областей исследований — аналитики и генеративных состязательных сетей — в качестве инструмента расследования.

Сначала мы углубимся в тему « Поколение» . Используя GAN, мы предлагаем обучить наши собственные системы искусственного интеллекта архитектурному проектированию. Мы постулируем, что его использование может улучшить практику архитектурной дисциплины. Это месторождение не только экспериментально, но и по сей день дает удивительные результаты. Мы надеемся, что сможем научить его составлять реальные планы этажей здания.

Затем мы разработаем надежную аналитическую базу для квалификации и классификации сгенерированных планов этажей. В конечном счете, наша цель состоит в том, чтобы упорядочить результаты наших GAN, чтобы предоставить возможность пользователю беспрепятственно просматривать различные варианты созданного дизайна. С этой целью количество и повсеместность инструментов, предлагаемых Data Science, окажутся ценными для нашего исследования.

Через эту двойную линзу, на стыке стиля и организации, квалификации и генерации, мы закладываем основу, которая организует встречу Архитектуры и ИИ.

2. Генерировать

Проектирование архитектурных планов этажей лежит в основе архитектурной практики. Его мастерство выступает в качестве золотого стандарта дисциплины. Это упражнение, которое практикующие постоянно старались улучшить с помощью технологий. В этой первой части мы углубимся в потенциал искусственного интеллекта, применяемый для генерации плана этажа, в качестве средства для продвижения конверта еще дальше.

Используя нашу платформу для решения стиля и организации поэтажных планов, в следующей главе мы изложим потенциал планирования пространства с использованием искусственного интеллекта. Наша цель состоит в том, чтобы предложить набор надежных и надежных инструментов как для подтверждения потенциала нашего подхода, так и для проверки наших предположений.

Задача здесь тройная: (1) выбор правильного набора инструментов , (2) выделение правильных явлений, которые будут показаны машине, и (3) обеспечение того, чтобы машина «обучалась» должным образом .

ИИ и генеративные состязательные нейронные сети

Генеративные состязательные нейронные сети — или GAN — здесь наше оружие выбора. В области искусственного интеллекта нейронные сети являются ключевой областью исследований. Творческие способности таких моделей были недавно подтверждены благодаря появлению Генеративных Состязательных Нейронных Сетей. Как и любая модель машинного обучения, GAN изучают статистически значимые явления среди представленных им данных. Однако их структура представляет собой прорыв: она состоит из двух ключевых моделей: генератора и дискриминатора.GAN используют петлю обратной связи между обеими моделями, чтобы улучшить их способность генерировать соответствующие изображения. Дискриминатор обучен распознавать изображения из набора данных. Правильно обученная, эта модель способна отличить реальный пример, взятый из набора данных, от « поддельного » изображения, чуждого этому набору данных. Генератор, однако, обучен создавать изображения, похожие на изображения из того же набора данных. Когда Генератор создает изображения, Дискриминатор предоставляет ему некоторую обратную связь о качестве его вывода. В ответ Генератор адаптируется для получения еще более реалистичных изображений. Посредством этого цикла обратной связи GAN медленно наращивает свою способность создавать соответствующие синтетические изображения с учетом явлений, обнаруженных среди наблюдаемых данных.

Представительство и обучение

Если GAN представляют для нас огромную возможность, важно знать, что их показывать. Здесь у нас есть возможность позволить модели учиться непосредственно на изображениях плана этажа. Форматируя изображения, мы можем контролировать тип информации, которую изучит модель. В качестве примера, просто показ нашей модели в форме участка и связанной с ним площади здания даст модель, способную создавать типовые следы здания при заданной форме участка. Чтобы гарантировать качество результатов, мы будем использовать наш собственный архитектурный « смысл », чтобы курировать содержание наших учебных наборов: модель будет настолько же хороша, насколько и данные, которые мы ему предоставляем, как архитекторы.

Ниже мы проиллюстрируем типичную последовательность обучения: эта последовательность, реализованная в течение полутора дней обучения, показывает, как одна из наших моделей GAN постепенно обучается планировке комнат и фенестрации для жилой единицы.

Хотя первоначальные попытки являются неточными и запутанными, после 250 итераций машина создает для себя некоторую форму интуиции.

Прецеденты

Если приложение GAN к архитектурному дизайну все еще находится в зачаточном состоянии, несколько прецедентов вдохновили нашу работу и привели нашу интуицию. Хао Чжэн и Вэйсинь Хуан предложили на конференции ACADIA в 2018 году первую публикацию, демонстрирующую потенциал GAN для распознавания планов этажей и генерации планировки мебели. Используя цветные пятна, их модель будет рисовать заполнение комнат, основываясь на программе комнаты и ее положении проема. В том же году Натан Питерс в своей диссертации на GSD в Гарварде предложил использовать GAN (pix2pix) для решения проблемы перераспределения программ в модульных домах на одну семью, основанной на занимаемой территории.

Что касается GAN в качестве помощников дизайнеров, то исследования Гао Чжэна (Рисование с ботами: эксперименты по совместному рисованию на человеке и компьютере, 2018) и диссертация Ноно Мартинеса на GSD (2017) вдохновили нас на исследования. Оба автора взялись за идею петли между машиной и дизайнером, чтобы уточнить само понятие «процесс проектирования».

Наша работа расширяет эти прецеденты и предлагает вложить 3 модели (занимаемая площадь, программа и комплектация), чтобы создать полный «стек генерации», улучшая при этом качество результатов на каждом этапе. Благодаря автоматизации обработки нескольких блоков наша работа затем масштабируется до генерации целых зданий и макетов генерального плана. Мы также предлагаем множество моделей, связанных с передачей стиля. Наконец, наш вклад добавляет строгую структуру для анализа и классификации полученных результатов, позволяя пользователям последовательно «просматривать» сгенерированные параметры.

А. Стиль передачи

В плане этажа « Стиль » можно наблюдать, изучая геометрию и плоскость фигуры его стен. Типичные барочные церкви будут отображать громоздкие колонны с несколькими круглыми отступами. Современная вилла Мис ван дер Роэ покажет тонкие плоские стены. Эта « зубчатость » поверхности стены — это особенность, которую может оценить GAN. Показывая ему пары изображений, причем одно изображение представляет собой сегментированную версию плана, а другое — исходную структуру стены, мы можем построить определенную интуицию машины в отношении архитектурного стиля.

В этом разделе показаны результаты модели, обученной изучению стиля барокко. Затем мы переходим к переносу стиля, где заданный план этажа сегментируется вручную (A) и переодевается в новую стилистику стены (B) .

Б. Ассистент по разметке

В этом разделе мы предлагаем многоступенчатый конвейер, объединяющий все необходимые шаги для построения плана здания. Перепрыгивая через шкалы, он эмулирует процесс, предпринятый архитектором, и пытается инкапсулировать каждый шаг в одну конкретную модель, обученную выполнять данную операцию. От участка до контура здания (I) , от контура до комнаты, разделенной стенами и фенестрацией (II) , от плана с ярусами до меблированного (III) : каждый этап был тщательно спроектирован, обучен и протестирован .

В то же время, разделяя конвейер на отдельные этапы, система учитывает вмешательство пользователя между каждой моделью. Выбрав выходные данные модели и отредактировав их, прежде чем передать их следующей модели, пользователь остается под контролем процесса проектирования. Его вклад формирует решения, принимаемые моделью, поэтому достигается ожидаемое взаимодействие человека с машиной.

1. След

Первый шаг в нашем конвейере решает задачу создания соответствующей площади здания для заданной геометрии участка. Для обучения этой модели мы использовали обширную базу данных по строительным следам Бостона и смогли создать массив моделей, каждая из которых была адаптирована для конкретного типа недвижимости: коммерческая , жилая (дом) , жилая (кондо) , промышленная и т. Д.

Каждая модель может для данной посылки создавать набор соответствующих элементов footprint, напоминающих по размеру и стилю тип, для которого она была подготовлена. 9 примеров использования модели жилой (жилой) модели приведены ниже.

2. Сплит и Фенестрация

Планировка комнат по всей площади здания является естественным следующим шагом. Возможность разбить заданный план этажа при соблюдении значимых смежных пространств, типичных размеров помещения и правильных переходов — сложный процесс, с которым GAN могут справиться с неожиданными результатами.

Используя набор данных из более 700 аннотированных поэтажных планов, мы смогли обучить широкий спектр моделей. Каждый из них ориентирован на определенное количество комнат и дает удивительно релевантные результаты, когда-то использовавшиеся на пустых участках здания. Ниже мы показываем некоторые типичные результаты.

3. Обстановка

Этот последний шаг приводит принцип генерации к самому детальному уровню: добавление мебели в пространстве . Для этого мы сначала обучили модель обустроить всю квартиру сразу.

Сеть могла узнать, основываясь на каждой программе помещения, относительное расположение мебели в пространстве и размеры каждого элемента. Результаты отображаются здесь ниже.

Если эти результаты могут дать приблизительное представление о возможных компоновках мебели, качество получаемых чертежей все еще слишком размыто. Для дальнейшего улучшения качества продукции мы подготовили множество дополнительных моделей для каждого типа комнаты ( гостиная, спальня, кухня и т. Д.). Каждая модель отвечает только за перевод цветного пятна, добавленного на план, в правильно нарисованную деталь мебели. Типы мебели кодируются с использованием цветового кода. Здесь мы показываем результаты каждой модели.

4. Идем в будущее

Если генерация стандартных квартир может быть достигнута с помощью нашей техники, расширение границ наших моделей является естественным следующим шагом. На самом деле GAN могут предложить весьма замечательную гибкость для решения, казалось бы, крайне ограниченных проблем. В случае компоновки планов этажей, так как размеры и размеры занимаемой площади занимают много места, разделение и предоставление пространства вручную может быть сложной задачей. Наши модели доказывают, что они достаточно « умны » в своей способности адаптироваться к меняющимся ограничениям, как показано ниже.

Наша способность контролировать положение входной двери и окон блоков в сочетании с гибкостью наших моделей позволяет нам заниматься планированием пространства в более широком масштабе, выходя за рамки логики одного блока. В приведенных ниже примерах мы масштабируем нашу технику для целых зданий.

3. Квалифицировать

«Невозможность назвать вещи усиливает беспорядок в мире»

Альберт Камю

Чтобы сбалансировать нашу способность генерировать планы этажей, найти подходящую структуру для организации, сортировки и классификации множества сгенерированных вариантов дизайна более чем важно . Планы этажей, которые мы предлагаем, будут такими же хорошими, как и наша способность перемещаться по нашей базе данных сгенерированных опций. Заимствуя понятия из Архитектуры, мы надеемся преобразовать общие архитектурные прилагательные в количественные метрики.

Для этого мы выделили 6 ключевых метрик, описывающих 6 основных аспектов дизайна плана этажа: занимаемая площадь, программа, ориентация, толщина и текстура, связь и циркуляция.

Эти показатели работают вместе как всеобъемлющая структура, охватывающая как стилистические, так и организационные аспекты поэтажных планов. Каждый из них был разработан как алгоритм и тщательно протестирован.

А.Footprint

Форма здания — самый простой и интуитивно понятный прокси для определения его стиля. «Footprint» метрический анализ форма плана этажа периметром и переводит его в виде гистограммы.

Этот дескриптор, кодируя форму здания, может переводить общие прилагательные — «тонкие», «громоздкие», «симметричные» и т. Д. — используемые архитекторами, в числовую информацию, чтобы общаться с компьютером о формах здания.

С технической точки зрения эта метрика использует полярную выпуклость, чтобы превратить данный контур в список дискретных значений (вектор), которые затем можно сравнить с другими планами этажей. Мы используем полярный массив линий, идущих от центра плана, чтобы извлечь область плана, захваченную каждым полученным срезом пространства. Эта методология доказала, что дает удовлетворительные результаты, как показано в запросах ниже. Эту технику также можно использовать для определения формы внутренних помещений, а также геометрии периметра здания.

Б. Программа

Программа здания, или другими словами, тип номера , которые он содержит, является одним из основных факторов его внутренней организации. Захват этой реальности занимает центральное место в нашем подходе. Чтобы описать «сочетание» комнат, мы представляем через цветовой код список комнат, содержащихся в любом заданном плане этажа. Эта цветная полоса становится прокси, чтобы описать программу. Он действует как шаблон, агрегируя как количество, так и программное качество комнат в плане этажа. Это интуитивно понятное визуальное описание для людей, которое может перевести на надежную технику кодирования для машин.

С технической точки зрения , используя эту цветную полосу, мы можем вычислить программные сходства и различия между любой данной парой поэтажных планов. Для визуализации результатов каждый план представляется как цветной план этажа и одномерный цветовой вектор его программы.

В.Ориентация

Ориентация стен в плане является ценным источником информации. Он может описывать как ограждение (насколько уединенные пространства обусловлены наличием стен), так и стиль плана. Фактически, используя эту метрику, мы можем легко отличить современный дом-павильон от готического собора, просто извлекая гистограмму ориентации стен.

С технической точки зрения ориентация выделяет стены заданного плана этажа и суммирует их длину вдоль каждого направления пространства, от 0 до 360 градусов. Полученный список значений является оценкой общей направленности плана. Его можно усреднить, чтобы получить один дескриптор, или использовать в качестве вектора для сравнения планов.

Г. Толщина и текстура

Метрика « Толщина и текстура» определяет «жир» плана: толщину его стенки и изменение этой толщины. Толщина стенок по плану, а также геометрия поверхности стены — Текстура — может значительно варьироваться от одного стиля к другому. В зале изящных искусств будут отображаться колонны и толстые стены с отступами, когда на вилле из Мис ван дер Роэ будут тонкие прямолинейные стены, которые легко понять в нашей метрике (см. Изображение ниже).

С технической точки зрения эта метрика изолирует все стены данного плана и выводит гистограмму толщины стенок. В то же время алгоритм вычисляет изменение толщины, чтобы лучше описать текстуру стены (т. Е. Плоские стены в сравнении с многомиллионными).

Д. связь

В Connectivity метрические решает вопрос о комнатных примыканиях. Близость комнат друг к другу является ключевым аспектом плана этажа. Более того, их связь через двери и коридоры определяет наличие связей между ними. Связность исследует количество и качество таких соединений, рассматривая их как стандартный график.

С технической точки зрения , используя фенестрацию из плана, мы можем вывести график существующих отношений между комнатами. Метрика Связности тогда строит матрицу смежности, сообщая об этих соединениях. Графическое представление наконец генерируется. Используя этот график, мы можем сравнить планы этажей, принимая во внимание сходство связей между комнатами.

Е. Циркуляция

Циркуляция в полу планы захватов , как люди перемещаются по ней. Извлекая каркас кровообращения или, другими словами, каркас кровеносной сети, мы можем как количественно, так и квалифицировать движение людей по поэтажному плану.

С технической точки зрения , Circulation извлекает скелет из циркуляций данного плана этажа и суммирует его длину вдоль каждого направления пространства, от 0 до 360 градусов. Результирующая гистограмма является оценкой геометрии кровеносной сети и может использоваться для сравнения с циркуляцией других поэтажных планов.

4. Картирование и просмотр

Оглядываясь назад на наши GAN-модели, каждая из них фактически выводит несколько опций на каждом этапе нашего конвейера генерации. Затем дизайнеру предлагается « выбрать » предпочтительный вариант, изменить его, если необходимо, перед тем, как выполнить следующий шаг. Однако просмотр сгенерированных параметров может быть разочаровывающим и занимать много времени. С этой целью набор метрик, определенных в главе « Квалификация », может продемонстрировать весь их потенциал здесь и дополнить наш конвейер генерации. Используя их в качестве фильтров, пользователь может сузить диапазон параметров и за считанные секунды найти подходящий вариант для его дизайна. Эта двойственность Фильтрации Поколений — то, где ценность нашей работы становится еще более очевиднойМы предоставляем здесь полную структуру, используя ИИ, оставаясь в пределах досягаемости обычного пользователя.

После фильтрации в соответствии с заданным критерием ( след, программа, ориентация, толщина и текстура, связность или циркуляция ) мы предоставляем пользователю древовидное представление своего выбора. В центре находится выбранный вариант, а вокруг него его ближайшие соседи, классифицированные по выбранному пользователем критерию. Затем пользователь может сузить поиск и найти его идеальный вариант дизайна или выбрать другой вариант в дереве, чтобы пересчитать график.

5. Вивод

ИИ скоро значительно расширит возможности архитекторов в их повседневной практике. Поскольку такой потенциал должен быть продемонстрирован, наша работа участвует в доказательстве концепции, в то время как наша структура предлагает трамплин для обсуждения, предлагая архитекторам начать взаимодействовать с ИИ , а ученым — рассматривать архитектуру как область исследований . Однако сегодня наш манифест можно обобщить по четырем основным пунктам.

Во-первых, концептуально, мы верим, что статистический подход к концепции дизайна формирует потенциал ИИ для архитектуры. Его менее детерминированный и более целостный характер, несомненно, является шансом для нашей области. Вместо того, чтобы использовать машины для оптимизации набора переменных, полагаться на них для извлечения существенных качеств и подражать им на протяжении всего процесса проектирования — это смена парадигмы.

Во-вторых, мы убеждены в том, что наша способность проектировать правильный конвейер обуславливает успех ИИ как нового архитектурного инструментария. Наш выбор подхода «Серый бокс», представленный профессором Эндрю Виттом в журнале, вероятно, обеспечит наилучшие потенциальные результаты. Этот метод отличается от подхода «черного ящика», который позволяет пользователям только вводить информацию заранее и получать готовые варианты дизайна в конце процесса, без какого-либо контроля над последовательными этапами генерации. Наоборот, разбивая наш конвейер на отдельные шаги, «серый бокс» позволяет пользователю вмешиваться на протяжении всего пути. Его жесткий контроль над машиной является его окончательной гарантией качества процесса проектирования.

В-третьих, технически мы считаем, что последовательный характер приложения будет способствовать его управляемости и развитию. Способность вмешиваться в процесс генерации является фундаментальным измерением: поскольку каждый этап конвейера представляет отдельную часть архитектурного опыта, каждую модель можно обучать независимо, открывая путь для значительных улучшений и экспериментов в ближайшем будущем. Действительно, усовершенствование всего этого конвейера может быть долгой и трудоемкой задачей, в то время как его поэтапное внесение изменений остается управляемым процессом, доступным большинству архитекторов и инженеров отрасли.

Наконец, мы надеемся, что наша структура поможет решить проблему бесконечной широты и сложности обучаемых моделей и моделей, используемых в любом конвейере генерации. Как мы полагаем, один из возможных подходов к решению большого числа вариантов — это решение проблемы участков, занимающих места в помещениях и т . Д. Для инкапсуляции необходимых этапов планирования пространства ключ — это больше принцип, чем метод. И с ростом доступности архитектурных данных мы поощряем дальнейшую работу и непредвзятые эксперименты.

Не думая об искусственном интеллекте как о новой догме в архитектуре, мы рассматриваем эту область как новый вызов, полный потенциала и обещаний. Мы видим здесь возможность для получения богатых результатов, которые дополнят нашу практику и устранят некоторые слабые места нашей дисциплины.

Leave a comment

Your email address will not be published. Required fields are marked *