Veröffentlicht am 19-02-2019

AI & Architektur

Eine experimentelle Perspektive

Stanislas Chaillou, Harvard-Graduiertenschule für Design

GAN-generierter Masterplan | Quelle: Autor

Künstliche Intelligenz hat als Disziplin bereits unzählige Bereiche durchdrungen und Mittel und Methoden für bisher ungelöste Herausforderungen branchenübergreifend eingesetzt. Die Einführung von AI in Architecture, die in einem früheren Artikel beschrieben wurde, befindet sich noch in den Anfängen, bietet jedoch vielversprechende Ergebnisse. Mehr als eine bloße Chance ist dieses Potenzial für uns ein großer Schritt nach vorn, um die architektonische Disziplin neu zu gestalten.

Unsere Arbeit schlägt vor, dieses Versprechen zu beweisen, wenn es auf die gebaute Umwelt angewendet wird. Insbesondere bieten wir an, die KI auf die Analyse und Erstellung von Grundrissen anzuwenden. Unser oberstes Ziel ist dreifach: (1) Erstellung von Grundrissen, dh Optimierung der Erzeugung einer großen und sehr unterschiedlichen Anzahl von Grundrisskonstruktionen, (2) zur Qualifizierung von Grundrissen, dh Bereitstellung einer geeigneten Klassifizierungsmethode (3), um Benutzern zu ermöglichen zum Durchsuchen generierter Designoptionen.

Unsere Methodik folgt zwei Hauptgedanken: (1) Die Erstellung von Bauplänen ist eine nicht triviale technische Herausforderung, obwohl sie Standardoptimierungstechniken umfasst, und (2) die Gestaltung des Raums ist ein sequentieller Prozess, der aufeinanderfolgende Entwurfsschritte über verschiedene Skalen (urban) erfordert Maßstab, Gebäudeskala, Einheitenskala). Um diese beiden Realitäten nutzen zu können, haben wir verschachtelte neuronale Netze (Generative Adversarial Neural Networks oder GANs) ausgewählt. Solche Modelle ermöglichen es uns, mehr Komplexität über die gefundenen Grundrisse hinweg zu erfassen und die Komplexität abzubauen, indem Probleme in aufeinanderfolgenden Schritten angegangen werden. Bei jedem Schritt, der einem bestimmten Modell entspricht und speziell für diese bestimmte Aufgabe trainiert wurde, kann der Prozess möglicherweise das mögliche Hin und Her zwischen Mensch und Maschine beweisen.

Pläne sind in der Tat ein hochdimensionales Problem, an der Schnittstelle quantifizierbarer Techniken und mehr qualitative Eigenschaften. Das Studium architektonischer Präzedenzfälle bleibt zu oft ein gefährlicher Prozess, der den Reichtum der Anzahl der vorhandenen Ressourcen zunichte macht, während es an analytischer Genauigkeit fehlt. Unsere Methodik, inspiriert von den aktuellen Data Science-Methoden, zielt auf die Qualifizierung von Grundrissen ab. Durch die Erstellung von 6 Metriken schlagen wir ein Framework vor, das architektonisch relevante Parameter von Grundrissen erfasst. Auf der einen Seite sind Footprint Shape, Orientation, Thickness & Texture drei Messgrößen, die die Essenz eines bestimmten Grundrisses erfassen. Auf der anderen Seite sollen Programm, Konnektivität und Verbreitung die Grundzüge jeder Grundrissorganisation darstellen.

Kurz gesagt, die Maschine, einst die Erweiterung unseres Stiftes, kann heute genutzt werden, um architektonisches Wissen abzubilden und trainiert zu werden, um uns bei der Erstellung praktikabler Gestaltungsmöglichkeiten zu unterstützen.

I. Rahmen

Unsere Arbeit befindet sich an der Schnittstelle von Architektur und künstlicher Intelligenz. Ersteres ist das Thema, letzteres die Methode. Beide wurden in klare und umsetzbare Kategorien unterteilt.

Architektur wird hier als Schnittpunkt zwischen Stil und Organisation verstanden. Einerseits betrachten wir Gebäude als Vektoren von kultureller Bedeutung, die durch ihre Geometrie, Taxonomie, Typologie und Dekoration einen bestimmten Stil ausdrücken. Barock, römisch, gotisch, modern, zeitgenössisch: so viele architektonische Stile, die durch sorgfältiges Studium der Grundrisse gefunden werden können. Auf der anderen Seite sind Gebäude das Produkt von Technik und Wissenschaft, die auf strenge Rahmenbedingungen und Regeln wie Bauvorschriften, Ergonomie, energetische Effizienz, Ausgang, Programm usw. eingehen, die beim Lesen eines Grundrisses gefunden werden können. Dieser organisatorische Imperativ wird unsere Definition von Architektur vervollständigen und unsere Untersuchung vorantreiben.

Rahmenmatrix | Quelle: Autor

Künstliche Intelligenz wird unter Verwendung zweier seiner Hauptuntersuchungsfelder - Analytics und Generative Adversarial Networks - als Untersuchungsinstrument eingesetzt.

Zunächst werden wir uns mit dem Thema Generation beschäftigen. Mit GANs bieten wir an, unsere eigenen KI-Systeme im architektonischen Design zu schulen. Wir postulieren, dass seine Verwendung die Praxis der architektonischen Disziplin verbessern kann. Dieses Feld ist so neu wie experimentell und liefert bis heute überraschende Ergebnisse. Wir hoffen, dass wir ihn darin trainieren können, aktuelle Gebäudegrundrisse zu zeichnen.

Anschließend werden wir ein robustes analytisches Framework entwickeln, um die generierten Grundrisse zu qualifizieren und zu klassifizieren. Letztendlich ist es unser Ziel, die Ergebnisse unserer GANs zu organisieren, um dem Benutzer die Möglichkeit zu bieten, die vielfältigen Gestaltungsmöglichkeiten nahtlos zu durchsuchen. Zu diesem Zweck wird sich die Menge und Allgegenwart der von Data Science angebotenen Tools für unsere Untersuchung als wertvoll erweisen.

Durch diese doppelte Linse, an der Kreuzung von Stil und Organisation, Qualifikation und Generation, legen wir einen Rahmen fest, in dem Architektur und KI aufeinander treffen.

II. Generieren

Die Gestaltung von architektonischen Grundrissen steht im Mittelpunkt der Architekturpraxis. Seine Meisterschaft gilt als Goldstandard der Disziplin. Es ist eine Übung, die Praktizierende unablässig versucht haben, sich durch Technologie zu verbessern. In diesem ersten Teil werden wir in das Potenzial der KI eintauchen, das bei der Erstellung von Grundrissen angewendet wird, um die Hüllkurve noch weiter voranzutreiben.

Mit unserem Rahmen, um Stil und Organisation der Grundrisse zu bewältigen, legen wir im folgenden Kapitel das Potenzial der KI-gestützten Raumplanung fest. Unser Ziel ist es, eine Reihe zuverlässiger und robuster Instrumente anzubieten, um sowohl das Potenzial eines solchen Ansatzes als auch unsere Annahmen zu überprüfen.

Die Herausforderung besteht hier aus drei Gründen: (1) Wahl des richtigen Werkzeugs, (2) Isolieren der richtigen Phänomene, die der Maschine angezeigt werden sollen, und (3) Sicherstellen, dass die Maschine richtig lernt.

KI & Generative Adversarial Neuronale Netzwerke

Generative Adversarial Neuronale Netze - oder GANs - sind hier unsere Waffe der Wahl. Im Bereich der KI ist Neural Networks ein wichtiges Untersuchungsfeld. Die kreative Fähigkeit solcher Modelle wurde kürzlich durch das Aufkommen von Generative Adversarial Neural Networks nachgewiesen. Wie jedes maschinelle Lernmodell lernen GANs statistisch signifikante Phänomene unter den ihnen präsentierten Daten. Ihre Struktur stellt jedoch einen Durchbruch dar: GANs bestehen aus zwei Schlüsselmodellen, dem Generator und dem Diskriminator, und nutzen eine Rückkopplungsschleife zwischen den beiden Modellen, um ihre Fähigkeit zur Erzeugung relevanter Bilder zu verfeinern. Der Diskriminator ist ausgebildet, Bilder aus einem Datensatz zu erkennen. Dieses Modell kann, wenn es richtig trainiert ist, ein reales Beispiel, das aus dem Datensatz entnommen wurde, von einem „falschen“ Bild unterscheiden, das dem Datensatz fremd ist. Der Generator ist jedoch darauf trainiert, Bilder zu erstellen, die dem gleichen Datensatz ähneln. Während der Generator Bilder erzeugt, gibt ihm der Diskriminator eine Rückmeldung über die Qualität seiner Ausgabe. Daraufhin passt sich der Generator an, um noch realistischere Bilder zu erzeugen. Durch diese Rückkopplungsschleife baut ein GAN langsam die Fähigkeit auf, relevante synthetische Bilder zu erstellen, und berücksichtigt dabei Phänomene, die unter den beobachteten Daten gefunden wurden.

Generative gegnerische neuronale Netzwerkarchitektur

Vertretung & Lernen

Wenn GANs eine enorme Chance für uns darstellen, ist es wichtig zu wissen, was sie zeigen sollen. Wir haben hier die Möglichkeit, das Modell direkt aus den Grundrissbildern lernen zu lassen. Durch das Formatieren von Bildern können wir die Art der Informationen steuern, die das Modell lernen wird. Wenn Sie beispielsweise unserem Modell nur die Form eines Flurstücks und die damit verbundene Gebäudefläche zeigen, erhalten Sie ein Modell, das in der Lage ist, typische Gebäudefußabdrücke anhand der Form eines Flurstücks zu erstellen. Um die Qualität der Ergebnisse sicherzustellen, werden wir unseren eigenen architektonischen „Sinn“ verwenden, um den Inhalt unserer Schulungssätze zu kuratieren: Ein Modell ist nur so gut wie die Daten, die wir als Architekten liefern.

A. Stilübertragung

Modern-Barock-Grundrissübersetzung | Quelle: Autor

Innerhalb eines Grundrisses kann „Stil“ beobachtet werden, indem die Geometrie und die Figurenebene der Wände untersucht werden. Typische Barockkirchen zeigen sperrige Säulen mit mehreren runden Einschnitten. Eine moderne Villa von Mies van der Rohe zeigt dünne flache Wände. Diese "Krönung" der Wandoberfläche ist eine Funktion, die eine GAN schätzen kann. Indem wir Bildpaare zeigen, wobei ein Bild ein Drahtgitter eines Plans und das andere die tatsächliche Wandstruktur ist, können wir eine gewisse Menge an Maschinenintuition in Bezug auf den Baustil aufbauen.

Dieser Abschnitt zeigt die Ergebnisse eines Modells, das darauf trainiert ist, den Barockstil zu erlernen. Dann geht es weiter zu einem Stiltransfer, bei dem ein bestimmter Grundriss von seiner Wandstärke (A) abgerissen und mit einem neuen Wandstil (B) versehen wird.

Ergebnisse des Stiltransfers: Apartmenteinheiten Modern-to-Baroque Style Transfer Quelle: Autor

B. Layoutassistent

Layout-Assistent, eine Schritt für Schritt-Pipeline | Quelle: Autor

In diesem Abschnitt bieten wir eine mehrstufige Pipeline an, in der alle notwendigen Schritte zum Zeichnen eines Grundrisses integriert sind. Beim Springen über Skalen emuliert es den Prozess, den ein Architekt genommen hat, und versucht, jeden Schritt in einem bestimmten Modell zu kapseln, das für die Ausführung einer bestimmten Operation trainiert wird. Von der Parzelle bis zur Bebauungsfläche (I), von der Fußabdruckseite zu einem Raum mit Wänden und Fenster (II), von einem mit Fenstern versehenen Grundriss bis zu einem möblierten (III): Jeder Schritt wurde sorgfältig geplant, trainiert und getestet.

Generierungspipeline (Modelle I bis III) | Quelle: Autor

Durch die Unterteilung der Pipeline in diskrete Schritte ermöglicht das System den Eingriff des Benutzers zwischen den einzelnen Modellen. Durch Auswahl der Ausgabe eines Modells und dessen Bearbeitung vor der Weitergabe an das nächste Modell behält der Benutzer die Kontrolle über den Entwurfsprozess. Ihre Eingabe prägt die Entscheidungen des Modells und erreicht damit die erwartete Mensch-Maschine-Interaktion.

1. Fußabdruck

Kontext | Paket (Eingabe) | Generierter Footprint (Ausgabe), Quelle: Autor

Der erste Schritt unserer Pipeline stellt sich der Herausforderung, für eine gegebene Flurstückgeometrie einen geeigneten Gebäudeabdruck zu schaffen. Um dieses Modell zu trainieren, nutzten wir eine umfangreiche Datenbank der Fußabdrücke von Boston und konnten eine Reihe von Modellen erstellen, die jeweils auf einen bestimmten Immobilientyp zugeschnitten sind: Gewerbe, Wohngebäude, Wohngebäude, Industriegebäude usw.

Jedes Modell kann für ein gegebenes Flurstück einen Satz relevanter Fußabdrücke erstellen, der in Dimension und Stil dem Typ entspricht, für den er trainiert wurde. 9 Beispiele, die das Wohn- (Haus-) Modell verwenden, werden hier unten gezeigt.

Ergebnisse: Generierte Footprints (Gehäuse) | Quelle: Autor

2. Raumaufteilung und Fenestration

Fußabdruck | Öffnungen & Balkon (Eingang) | Programm & Fenestration (Ausgabe) | Quelle: Autor

Die Anordnung der Räume über die gesamte Gebäudefläche hinweg ist der natürliche nächste Schritt. In der Lage zu sein, einen bestimmten Grundriss aufzuteilen und dabei sinnvolle Nachbarschaften, typische Raumabmessungen und geeignete Fensterungen zu berücksichtigen, ist ein anspruchsvoller Prozess, den GANs mit überraschenden Ergebnissen lösen können.

Mit einem Datensatz von über 700 annotierten Grundrissen konnten wir eine breite Palette von Modellen trainieren. Jede ist auf eine bestimmte Raumanzahl ausgerichtet und liefert überraschend relevante Ergebnisse, sobald sie auf leeren Gebäudefußabdrücken verwendet wurden. Wir zeigen hier einige typische Ergebnisse. Weitere Ergebnisse sind auch hier verfügbar.

Ergebnisse: Generiertes Programm & Fenestration | Quelle: Autor

3. Ausstattung

Programm (Eingabe, Option 1) | Möbelposition (Eingang, Option 2) | Möblierte Einheit (Ausgabe) | Quelle: Autor

Durch diesen letzten Schritt wird das Generationsprinzip auf die feinste Ebene gebracht: das Hinzufügen von Möbeln im Raum. Zu diesem Zweck haben wir zunächst ein Modell ausgebildet, um die gesamte Wohnung auf einmal auszustatten.

Das Netzwerk konnte basierend auf jedem Raumprogramm die relative Anordnung von Möbeln im Raum und die Abmessungen der einzelnen Elemente lernen. Die Ergebnisse werden hier unten angezeigt.

Weitere Ergebnisse sind auch hier verfügbar.

Ergebnisse: Möblierte Einheiten | Quelle: Autor

Wenn diese Ergebnisse eine ungefähre Vorstellung von möglichen Möbellayouts vermitteln können, ist die Qualität der resultierenden Zeichnungen immer noch zu unscharf. Um die Ausgabequalität weiter zu verfeinern, haben wir für jeden Zimmertyp (Wohnzimmer, Schlafzimmer, Küche usw.) eine Reihe zusätzlicher Modelle geschult. Jedes Modell ist nur für die Übersetzung eines Farbflecks verantwortlich, der dem Plan hinzugefügt wurde, in ein ordnungsgemäß gezeichnetes Möbelstück. Möbeltypen werden mit einem Farbcode codiert. Wir zeigen hier die Ergebnisse jedes Modells an.

Ergebnisse von Raumausstattungsmodellen | Badezimmer / Küche / Wohnzimmer / Schlafzimmer | Quelle: Autor

4. Weiter gehen

Wenn mit unserer Technik die Erzeugung von Standardwohnungen erreicht werden kann, ist es naheliegend, die Grenzen unserer Modelle zu erweitern. GANs können tatsächlich eine bemerkenswerte Flexibilität bieten, um scheinbar stark eingeschränkte Probleme zu lösen. Bei der Anordnung von Grundrissen kann das Trennen und Einrichten des Raums von Hand mit sich ändernden Abmessungen in Bezug auf Größe und Form ein schwieriger Prozess sein. Unsere Modelle erweisen sich hier als ziemlich „intelligent“ in ihrer Fähigkeit, sich an sich ändernde Einschränkungen anzupassen, wie unten gezeigt.

GAN-fähiges Space Layout unter Morphing Footprint | Quelle: Autor

Unsere Fähigkeit, die Position der Eingangstüren und Fenster der Einheiten zu steuern, und die Flexibilität unserer Modelle ermöglichen es uns, die Raumplanung in einem größeren Maßstab zu gestalten, der über die Logik einer einzelnen Einheit hinausgeht. In den folgenden Beispielen skalieren wir unsere Technik auf ganze Gebäude.

Experimentelle GAN-generierte Masterpläne | Quelle: Autor

III. Qualifizieren

„Wenn man die Dinge nicht benennt, trägt dies zur Unordnung der Welt bei.“ Albert Camus

Um unsere Fähigkeit zur Erstellung von Grundrissen auszugleichen, ist das Finden der richtigen Rahmenbedingungen für die Organisation, Sortierung und Klassifizierung der Fülle generierter Gestaltungsoptionen mehr als entscheidend. Die von uns angebotenen Grundrisse sind nur so gut wie unsere Fähigkeit, durch unsere Datenbank mit generierten Optionen zu navigieren. Indem wir uns Konzepte von Architecture leihen, hoffen wir, gängige architektonische Adjektive in quantifizierbare Metriken umzuwandeln.

Zu diesem Zweck haben wir 6 Schlüsselkennzahlen isoliert, die 6 wesentliche Aspekte des Grundrissentwurfs beschreiben: Footprint, Programm, Orientierung, Dicke und Textur, Konnektivität und Durchlauf.

6 Metriken | Quelle: Autor

Diese Metriken arbeiten als umfassender Rahmen zusammen und beziehen sich sowohl auf die stilistischen als auch auf die organisatorischen Dimensionen von Grundrissen. Jeder wurde als Algorithmus entwickelt und gründlich getestet.

A. Fußabdruck

Die Form eines Gebäudes ist der einfachste und intuitivste Vertreter, um seinen Stil zu bestimmen. Die „Footprint“ -Metrik analysiert die Form des Grundrisses und übersetzt sie in ein Histogramm.

Dieser Deskriptor kodiert die Form eines Gebäudes und kann gebräuchliche Adjektive wie "dünn", "sperrig", "symmetrisch" usw., die von Architekten verwendet werden, in numerische Informationen umwandeln, um mit einem Computer über Gebäudeformen zu kommunizieren.

Fußabdruck Polardiagramm | Quelle: Autor

Aus technischer Sicht verwendet diese Metrik die polare Konvexität, um aus einer gegebenen Gliederung eine Liste diskreter Werte (Vektor) zu machen, die dann mit anderen Grundrissen verglichen werden kann. Wir verwenden eine polare Anordnung von Linien, die von der Mitte des Plans ausgehen, um den Bereich des Plans zu extrahieren, der von jedem erhaltenen Raumabschnitt erfasst wird. Diese Methodik hat sich als zufriedenstellend erwiesen, wie in den folgenden Abfragen gezeigt. Diese Technik kann auch verwendet werden, um die Form von Innenräumen sowie die Geometrie des Gebäudebereichs zu bestimmen.

Typische Grundrisse Abrufen mit der Footprint-Metrik (links: Abfrage, rechts: Ergebnisse) Quelle: Autor

B. Programm

Das Programm eines Gebäudes, oder anders gesagt, die Art der Räume, die es enthält, ist ein wesentlicher Treiber seiner internen Organisation. Die Erfassung dieser Realität ist für unseren Ansatz von zentraler Bedeutung. Um den "Mix" von Räumen zu beschreiben, repräsentieren wir durch einen Farbcode die Liste der Räume, die in einem bestimmten Grundriss enthalten sind. Dieses farbige Band wird zum Proxy, um das Programm zu beschreiben. Es dient als Vorlage und fasst sowohl die Quantität als auch die programmatische Qualität der Räume im Grundriss zusammen. Es ist eine intuitive visuelle Beschreibung für Menschen, die sich in eine zuverlässige Codierungstechnik für Maschinen umsetzen lässt.

Typische Grundrisse Abrufen mit der Programmmetrik (linke Abfrage, rechte Ergebnisse) | Quelle: Autor

Aus technischer Sicht können wir mit diesem farbigen Band die programmatischen Ähnlichkeiten und Unähnlichkeiten zwischen einem gegebenen Paar von Grundrissen berechnen. Um die Ergebnisse zu visualisieren, wird jeder Plan sowohl als farbiger Grundriss als auch als eindimensionaler Farbvektor seines Programms angegeben.

Typische Erstellung von Grundrissen mit der Programmmetrik (links: Abfrage, rechts: Ergebnisse, unten: Ergebnisprogramm) | Quelle: Autor

C. Orientierung

Die Orientierung von Wänden in einem Plan ist eine wertvolle Informationsquelle. Es kann sowohl die Einfriedung (wie abgeschlossene Räume aufgrund von Wänden) als auch der Stil eines Plans beschrieben werden. Mit dieser Metrik können wir einen modernen Hauspavillon von einer gotischen Kathedrale leicht unterscheiden, indem Sie einfach das Histogramm der Wandausrichtung extrahieren.

Orientierungsdiagramme | Quelle: Autor

Aus technischer Sicht extrahiert die Orientierung die Wände eines gegebenen Grundrisses und summiert ihre Länge entlang jeder Raumrichtung, von 0 bis 360 Grad. Die resultierende Werteliste ist eine Beurteilung der Gesamtausrichtung des Plans. Es kann gemittelt werden, um einen einzelnen Deskriptor zu erhalten, oder als Vektor für den Vergleich zwischen Plänen verwendet werden.

Typische Grundrissanalyse mit der Orientierungsmetrik (links: Plan, rechts: Orientierungsdiagramm) | Quelle: Autor

D. Dicke und Textur

Die Metrik "Dicke & Textur" qualifiziert das "Fett" eines Plans: seine Wandstärke und die Variation dieser Dicke. Die Dicke von Wänden über einen Plan sowie die Geometrie der Wandoberfläche (Textur) kann von Stil zu Stil stark variieren. Eine Beaux-Arts-Halle zeigte Säulen und eingedrückte dicke Wände, wenn eine Villa aus Mies van der Rohe dünne, geradlinige Wände zeigte, die unsere Metrik leicht erfassen würde (siehe Abbildung unten).

Dicken- und Texturdiagramme | Quelle: Autor

Aus technischer Sicht isoliert diese Metrik alle Wände eines bestimmten Plans und gibt ein Histogramm der Wandstärken aus. Gleichzeitig berechnet der Algorithmus die Variation der Dicke, um die Wandtextur besser zu beschreiben (z. B. flache Wände als Pfosten).

Typische Grundrissanalyse mit der Metrik

E. Konnektivität

Die Connectivity-Metrik befasst sich mit der Frage der Raumnähe. Die Nähe der Räume zueinander ist eine Schlüsseldimension eines Grundrisses. Darüber hinaus definiert ihre Verbindung durch Türen und Korridore die Existenz von Verbindungen zwischen ihnen. Konnektivität untersucht die Quantität und Qualität solcher Verbindungen, indem sie als Standardgraph behandelt werden.

Konnektivitätsdiagramm & Adjazenzmatrix | Quelle: Autor

Aus technischer Sicht können wir durch die Verwendung der Fensterung aus einem Plan den Graphen der vorhandenen Beziehungen zwischen den Räumen ableiten. Die Konnektivitätsmetrik erstellt dann eine Adjazenzmatrix, die diese Verbindungen meldet. Schließlich wird eine Diagrammdarstellung erstellt. Mit diesem Diagramm können wir die Grundrisse vergleichen, wobei die Ähnlichkeit der Verbindungen zwischen den Räumen berücksichtigt wird.

Typische Grundrissanalyse unter Verwendung der Konnektivitätsmetrik (links: Konnektivitätsdiagramm, rechts: Nachbarflächen planen) | Quelle: Autor

F. Umlauf

Die Auflage in den Grundrissen erfasst, wie sich die Menschen darüber bewegen. Durch das Extrahieren eines Skeletts der Zirkulation, oder anders ausgedrückt, eines Drahtgitters des Kreislaufnetzes, können wir die Bewegungen von Personen in einem Grundriss quantifizieren und qualifizieren.

Kreislaufdiagramm | Quelle: Autor

Aus technischer Sicht extrahiert Circulation das Skelett der Zirkulation eines gegebenen Grundrisses und summiert seine Länge entlang jeder Raumrichtung aus 0 bis 360 Grad. Das resultierende Histogramm ist eine Beurteilung der Kreislaufgeometrie und kann verwendet werden, um mit der Zirkulation anderer Grundrisse verglichen zu werden.

Typische Grundrissanalyse mit der Zirkulationsmetrik (links: Zirkulationsdiagramm, rechts: Diagramm) | Quelle: Autor

IV. Mapping und Durchsuchen

Ähnlichkeitsdiagramme, Einen Plan mit vielen vergleichen | Quelle: Autor

Im Rückblick auf unsere GAN-Modelle werden bei jedem Schritt unserer Erzeugungspipeline tatsächlich mehrere Optionen ausgegeben. Der Designer wird dann aufgefordert, eine bevorzugte Option auszuwählen und gegebenenfalls zu ändern, bevor der nächste Schritt ausgeführt wird. Das Durchsuchen der generierten Optionen kann jedoch frustrierend und zeitaufwändig sein. Zu diesem Zweck können die im Kapitel „Qualify“ definierten Metriken ihr volles Potenzial demonstrieren und unsere Erzeugungspipeline ergänzen. Durch die Verwendung als Filter kann der Benutzer die Auswahlmöglichkeiten einschränken und in Sekundenschnelle die für das Design relevante Option finden. Diese Dualität der Generationsfilterung ist der Punkt, an dem der Wert unserer Arbeit umso deutlicher wird: Wir bieten hier einen vollständigen Rahmen, der die KI nutzt und dabei für einen Standardbenutzer erreichbar ist.

Nach einem bestimmten Kriterium (Fußabdruck, Programm, Orientierung, Dicke und Textur, Konnektivität oder Auflage) gefiltert, stellen wir dem Benutzer eine baumartige Darstellung seiner Wahl bereit. In der Mitte befindet sich eine ausgewählte Option, und um sie herum werden die nächsten Nachbarn nach einem vom Benutzer ausgewählten Kriterium klassifiziert. Der Benutzer kann dann die Suche eingrenzen und seine ideale Entwurfsoption finden oder eine andere Option innerhalb der Baumstruktur auswählen, um den Graphen neu zu berechnen.

(Jeder hier gezeigte Baum ist online über die folgenden Links verfügbar: Footprint, Programm, Konnektivität)

Grundrisse Ähnlichkeit Bäume | Quelle: Autor

V. Schlussfolgerung

AI wird Architekten in ihrer täglichen Praxis bald massiv stärken. Wenn ein solches Potenzial demonstriert werden soll, nimmt unsere Arbeit am Proof-of-Concept teil, während unser Rahmen ein Sprungbrett für Diskussionen bietet. Architekten werden eingeladen, sich mit AI zu beschäftigen, und Datenwissenschaftler können Architektur als Untersuchungsfeld betrachten. Unser Manifest könnte jedoch heute in vier Hauptpunkten zusammengefasst werden.

Konzeptionell besteht zunächst die Überzeugung, dass ein statistischer Ansatz für die Entwurfskonzeption das Potenzial von AI für die Architektur beeinflusst. Sein weniger deterministischer und ganzheitlicher Charakter ist zweifellos eine Chance für unser Feld. Anstatt Maschinen zu verwenden, um eine Reihe von Variablen zu optimieren, ist es ein Paradigmenwechsel, sich auf sie zu verlassen, um signifikante Qualitäten zu gewinnen und sie entlang des gesamten Entwurfsprozesses nachzuahmen.

Zweitens sind wir direkt davon überzeugt, dass unsere Fähigkeit, die richtige Pipeline zu entwerfen, den Erfolg von AI als neues architektonisches Werkzeugset beeinflussen wird. Unsere Wahl für den „Gray Boxing“ -Ansatz, wie er von Prof. Andrew Witt in Log vorgestellt wurde, wird wahrscheinlich das beste Ergebnis erzielen. Diese Methode steht im Gegensatz zum "Black-Box" -Ansatz, bei dem Benutzer nur Informationen vorab eingeben und am Ende des Prozesses fertige Designoptionen erhalten können, ohne die nachfolgenden Generierungsschritte zu steuern. Im Gegenteil: "Gray Boxing" ermöglicht es dem Benutzer, die Pipeline in diskreten Schritten aufzubauen, sodass er auf dem gesamten Weg eingreifen kann. Seine strenge Kontrolle über die Maschine ist seine ultimative Garantie für die Qualität des Konstruktionsprozesses.

Drittens glauben wir technisch, dass die sequentielle Natur der Anwendung die Verwaltbarkeit erleichtert und ihre Entwicklung fördert. Die Fähigkeit, während des Erzeugungsprozesses einzugreifen, ist eine grundlegende Dimension: Da jeder Schritt der Pipeline einen bestimmten Teil des architektonischen Fachwissens darstellt, kann jedes Modell unabhängig trainiert werden, wodurch in naher Zukunft erhebliche Verbesserungen und Experimente möglich werden. In der Tat könnte es eine lange und mühsame Aufgabe sein, die gesamte Pipeline durchgehend zu verbessern, während die schrittweise Änderung der Pipeline ein überschaubarer Prozess bleibt, der für die meisten Architekten und Ingenieure der Branche erreichbar ist.

Schließlich hoffen wir, dass unser Rahmen dazu beitragen wird, die unendliche Breite und Komplexität der zu trainierenden Modelle und der in jeder Generationspipeline verwendeten Modelle zu berücksichtigen. Die Bekämpfung von Paketen, Fußabdruck, Raumaufteilung usw. ist, wie wir es tun, ein möglicher Ansatz unter einer großen Reihe von Optionen. Um die notwendigen Schritte der Raumplanung zusammenzufassen, ist der Schlüssel mehr das Prinzip als die Methode. Und mit der wachsenden Verfügbarkeit von Architekturdaten fördern wir die weitere Arbeit und ein aufgeschlossenes Experimentieren.

Wir betrachten KI nicht als neues Dogma in der Architektur, sondern verstehen es als eine neue Herausforderung, voller Potenzial und Versprechen. Wir sehen hier die Möglichkeit für reichhaltige Ergebnisse, die unsere Praxis ergänzen und einige blinde Flecken unserer Disziplin ansprechen.

Digitale Ressourcen

Literaturverzeichnis

  • Digitale Architektur jenseits der Computer, Roberto Botazzi, Bloomsbury
  • Datengetriebenes Design & Construction, Randy Deutsch, Wiley
  • Architektonische Intelligenz, wie Designer und Architekten die digitale Landschaft schufen, Molly Wright Steenson, MIT Press
  • Architektonisches Google, Jenseits des Rasters - Architektur und Informationstechnologie, S. 226–229, Ludger Hovestadt, Birkhauser
  • Algorithmische Komplexität: Aus dem Nichts, Komplexität, Designstrategie und Weltsicht, S. 75–86, Andrea Gleiniger & Georg Vrachliotis, Birkhauser
  • Code & Machine, Code, zwischen Operation & Narration, S. 41–53, Andrea Gleiniger & Georg Vrachliotis, Birkhauser
  • Gropius 'Frage oder Über das Aufdecken und Verbergen von Code in Architektur und Kunst, Code, zwischen Operation & Narration, S. 75–89, Andrea Gleiniger & Georg Vrachliotis, Birkhauser
  • Soft Architecture-Maschinen, Nicholas Negroponte, MIT Press.
  • Die Architekturmaschine, Nicholas Negroponte, MIT Press.
  • Eine Mustersprache, Anmerkungen zur Synthese der Form, Christopher Alexander, Link
  • Kartographische Metamorphologien; oder Geben Sie den RoweBot, Andrew Witt, Log # 36 ein
  • Graue Boxen, Andrew Witt, Log # 43
  • Suggestive Zeichnung zwischen menschlichen und künstlichen Intelligenzen, Nono Martinez, Harvard GSD-Arbeit, 2016
  • Ermöglichung alternativer Architekturen: Kollaborative Rahmenbedingungen für Participatory Design, Nathan Peters, Harvard GSD-Arbeit, 2017
  • Daniel: Eine tiefe Architektur für die automatische Analyse und das Abrufen von Gebäudegrundrissen, Divya Sharma, Nitin Gupta, Chiranjoy Chattopadhyay, Sameep Mehta, 2017, IBM Research, IIT Jodhpur
  • Automatische Raumerkennung und Raumbeschriftung aus architektonischen Grundrissen, Sheraz Ahmed, Marcus Liwicki, Markus Weber, Andreas Dengel, 2012, Universität Kaiserslautern
  • Automatische Interpretation von Grundrissen mittels räumlicher Indexierung, Hanan Samet, Aya Soffer, 1994, University of Maryland
  • Analyse von Grundrissbildern, Samuel Dodge, Jiu Xu, Bjorn Stenger, 2016, Arizona State University, Rakuten-Institut für Technologie
  • Projekt entdecken: Eine Anwendung generativen Designs für die architektonische Raumplanung, Danil Nagy, Damon Lau, John Locke, Jim Stoddart, Lorenzo Villaggi, Ray Wang, Dale Zhao und David Benjamin
  • Raster-zu-Vektor: Überarbeitung des Grundrisses, Chen Liu, Jiajun Wu, Pushmeet Kohli, Yasutaka Furukawa, Washington University, Deep Mind, MIT
  • Relationale Modelle zum visuellen Verständnis grafischer Dokumente. Anwendung auf Architekturzeichnungen, Llus-Pere de las Heras, 2014, Universitat Autonoma de Barcelona
  • Formabgleich und Modellierung unter Verwendung des Skelettkontexts, Jun Xie, Pheng-Ann Heng, Mubarak Shah, 2007, Universität von Zentralflorida, Chinesische Universität von Hongkong
  • Statistische Segmentierung und Strukturerkennung für die Interpretation des Grundrisses, Lluís-Pere de las Heras, Sheraz Ahmed, Marcus Liwicki, Ernest Valveny, Gemma Sánchez, 2013, Computer Vision Center, Barcelona, ​​Spanien
  • Unbeaufsichtigte und notationsunabhängige Wandsegmentierung in Grundrissen unter Verwendung einer Kombination aus statistischen und strukturellen Strategien, Lluıs-Pere de las Heras, Ernest Valveny und Gemma Sanchez, 2014, Computer Vision Center, Barcelona, ​​Spanien
  • Pfadplanung zur Unterstützung intelligenter Mobilitätsanwendungen unter Verwendung generativer gegnerischer Netzwerke, Mohammadi, Mehdi, Ala Al-Fuqaha und Jun-Seok Oh 2018
  • Automatische Echtzeit-Erstellung von Grundrissen basierend auf dem Squarified Treemaps-Algorithmus, Fernando Marson und Soraia Raupp Musse, 2010, PUCRS
  • Verfahrenstechnische Modellierung von Gebäuden, Pascal Muller, Peter Wonka, Simon Haegler, Andreas Ulmer, Luc Van Gool, 2015, ETH Zürich, Arizona State University
  • Generatives Design für architektonische Raumplanung, Lorenzo Villaggi und Danil Nagy, 2017, Autodesk Research

Siehe auch

Warum Jupyter nicht mein ideales Notebook istMust-Have-Funktionen der Messaging-App