Stanislas Chaillou作者杜伟、张倩参与towardsdatascience选自

AI与建筑设计:生成对抗网络的魔法

VCG21400462271.jpg

人工智能作为一门学科,已经渗透到诸多领域,为各行各业以前无法解决的难题带来了各种手段和方法。如之前一篇文章《The Advent of Architectural AI》所述,AI在建筑领域的应用尚处于早期阶段,但取得了令人满意的效果。对于我们而言,这种潜力不仅仅是一个机遇,还表示在重塑建筑学科方面迈出了重要一步。

文章链接:https://towardsdatascience.com/the-advent-of-architectural-ai-706046960140

当应用于建筑环境时,我们的工作为该结果提出证据。具体来说,我们将AI应用于平面图分析和生成。最终目标有三点:(1)生成平面图,即优化大量高度多样化平面图设计的生成;(2)限定(qualify)平面图,即提供适当的分级方法;(3)允许用户“浏览”生成的设计方案。

我们采用的方法论遵循两种主要直觉:(1)绘制建筑物平面图(building plan)是一项重大的技术挑战,尽管包含标准的优化技术,(2)空间设计是一个循序的过程,需要跨不同尺度(城市尺度、建筑尺度和单位尺度)的连续设计步骤。之后,为了结合这两种实际情况,我们选择了嵌入式生成对抗神经网络(GAN)。此类模型使我们能够在遇到平面图时捕获到更多的复杂性,并且通过逐步解决问题来分解复杂性。对应给定模型的每一步都是专门针对特定任务来训练的,这一过程最终证明了人类与机器之间可能产生相互作用。

平面图设计的确是一个高维问题,处在可量化技术和定性属性之间。建筑先例(architectural precedent)的研究常常是一个危险的过程,而该过程在缺乏严谨分析的情况下会否定现有资源的丰富性。我们的方法受到当前数据科学方法的启发,旨在限定平面图。通过创建6项指标,我们提出了一个能够获取平面图建筑相关参数的框架。一方面,占地形状、朝向以及厚度和纹理是抓住给定平面图风格本质特征的3项指标。另一方面,规划(program)、连通(connectivity)和动线(circulation)意在描述任何平面图组织的精髓。

总而言之,机器曾经是铅笔的扩展,现在可以利用它绘制建筑知识图,训练它帮助我们创建可行的设计方案。

专业用户独享

本文为机器之心深度精选内容,专业认证后即可阅读全文
开启专业认证
理论AI生成对抗网络建筑设计
1
相关数据
IBM机构

是美国一家跨国科技公司及咨询公司,总部位于纽约州阿蒙克市。IBM主要客户是政府和企业。IBM生产并销售计算机硬件及软件,并且为系统架构和网络托管提供咨询服务。截止2013年,IBM已在全球拥有12个研究实验室和大量的软件开发基地。IBM虽然是一家商业公司,但在材料、化学、物理等科学领域却也有很高的成就,利用这些学术研究为基础,发明很多产品。比较有名的IBM发明的产品包括硬盘、自动柜员机、通用产品代码、SQL、关系数据库管理系统、DRAM及沃森。

https://www.ibm.com/us-en/
相关技术
Luc Van Gool人物

Luc Van Gool博士于2006年联合创办了kooaba AG,并担任其科学顾问。 Gool博士也是eSaturnus,Eyetronics,GeoAutomation和Procedural Inc.的联合创始人。他还担任计算机图形学和计算机视觉期刊《Foundations & Trends》的主编。 他领导瑞士苏黎世联邦理工学院的计算机视觉实验室和比利时鲁汶大学的VISICS研究所。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

查询技术

一般来说,查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域,查询指的是数据库和信息系统对信息检索的精确要求

生成对抗网络技术

生成对抗网络是一种无监督学习方法,是一种通过用对抗网络来训练生成模型的架构。它由两个网络组成:用来拟合数据分布的生成网络G,和用来判断输入是否“真实”的判别网络D。在训练过程中,生成网络-G通过接受一个随机的噪声来尽量模仿训练集中的真实图片去“欺骗”D,而D则尽可能的分辨真实数据和生成网络的输出,从而形成两个网络的博弈过程。理想的情况下,博弈的结果会得到一个可以“以假乱真”的生成模型。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

图生成技术

根据给定信息信息生成图表。

生成对抗技术

生成对抗是训练生成对抗网络时,两个神经网络相互博弈的过程。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。

量化技术

深度学习中的量化是指,用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

暂无评论
暂无评论~