Stanislas Chaillou, Harvard Graduate School of Design

GAN-Generated Masterplan | Source: Author

在这篇文章中，我们发布了我们在哈佛开发并于2019年5月提交的论文的一部分。这个作品是一个更大的作品的一个组成部分，它调查了AI在建筑领域的开端，它的历史背景，以及它在空间组织和风格方面的潜力。

人工智能作为一门学科，已经渗透到无数的领域，跨越行业，为之前未解决的挑战带来了手段和方法。在前一篇文章中描述的架构中的AI的出现仍然处于早期阶段，但是提供了很有希望的结果。不仅仅是一个机会，这样的潜力代表着我们向前迈出了一大步，即将重塑建筑学科。

我们的工作建议在应用于建筑环境时证明这一承诺。具体来说，我们将AI应用于楼层平面图的分析和生成。我们的最终目标有三方面:(1)生成楼层平面图，即优化生成大量且高度多样化的楼层平面图设计;(2)确定楼层平面图，即提供一种适当的分类方法;(3)允许用户在生成的设计选项中“浏览”。

我们的方法遵循两个主要直觉:(1)尽管包含标准的优化技术，但建筑规划的创建是一个重要的技术挑战;(2)空间的设计是一个连续的过程，需要跨越不同尺度(城市尺度、建筑尺度、单元尺度)的连续设计步骤。然后，为了驾驭这两个现实，我们选择了嵌套生成对抗神经网络(GANs)。这样的模型使我们能够在遇到的楼层平面图中捕获更多的复杂性，并通过连续的步骤解决问题来分解复杂性。每一步都对应于一个给定的模型，专门为这个特定的任务而训练，这个过程最终可以证明人与机器之间可能的来回。

计划实际上是一个高维问题，处于可量化技术和更多定性特性的交叉口。对架构先例的研究常常是一个危险的过程，它否定了现有资源数量的丰富，同时缺乏分析的严密性。我们的方法，受当前数据科学方法的启发，旨在资格楼层计划。通过6个度量标准的创建，我们提出了一个框架，该框架捕获了与建筑平面图相关的参数。一方面，占地形状，朝向，厚度和纹理是三个度量标准，抓住了一个给定的平面风格的本质。另一方面，规划、连接和流通意味着描绘任何平面组织的本质。

简而言之，机器，曾经是我们铅笔的延伸，今天可以用来绘制建筑知识，并帮助我们创建可行的设计选项。

我的框架。

我们的工作处于建筑和人工智能的交叉点。前者是主题，后者是方法。两者都被简化为清晰和可操作的类别。

建筑在这里被理解为风格和组织的交集。一方面，我们认为建筑是一种文化意义的载体，通过它们的几何、分类、类型学和装饰来表达某种风格。巴洛克，罗马，哥特式，现代，当代:通过仔细研究平面图可以发现许多建筑风格。另一方面，建筑是工程和科学的产物，符合严格的框架和规则——建筑规范、人体工程学、能源效率、出口、程序等等——这些都可以在我们阅读建筑平面图时发现。这个组织命令将完成我们对架构的定义，并推动我们的研究。

将使用人工智能，利用其两个主要的调查领域——分析和生成对抗网络——作为调查工具。

首先，我们将深入探讨生成的主题。使用GANs，我们提供教育我们自己的AI系统建筑设计。我们假设它的使用可以增强建筑学科的实践。这一领域还处于实验阶段，至今仍有令人惊讶的结果。我们希望能够训练它绘制实际的建筑平面图。

然后，我们将提出一个健壮的分析框架来验证和分类生成的楼层平面图。最终，我们的目标是组织GANs的结果，为用户提供无缝浏览各种创建的设计选项的可能性。为此，数据科学提供的工具的数量和普遍性将证明对我们的调查是有价值的。

通过这双镜头，在风格与组织、资格与生成的十字路口，我们奠定了一个框架，组织建筑与AI的相遇。

 

 

2生成

建筑平面设计是建筑实践的核心。它的精通是这门学科的黄金标准。这是一种实践者一直不懈地试图通过技术来改进的练习。在这第一部分，我们深入的潜力AI应用到平面图生成，作为一种手段，以推动信封进一步。

利用我们的框架，解决平面图的风格和组织，我们在下一章阐述了人工智能支持的空间规划的潜力。我们的目标是提供一套可靠和健壮的工具，既证明我们的方法的潜力，又检验我们的假设。

这里的挑战有三个方面:(1)选择正确的工具集，(2)隔离显示给机器的正确现象，(3)确保机器正确地“学习”。

人工智能和生成对抗神经网络

生成对抗神经网络(GANs)是我们选择的武器。在人工智能领域中，神经网络是一个重要的研究领域。这些模型的创造能力最近已经通过生成对抗神经网络的出现得到证明。与任何机器学习模型一样，GANs在呈现给他们的数据中学习有统计学意义的现象。然而，他们的结构代表了一个突破:由两个关键模型，生成器和鉴别器组成，GANs利用了两个模型之间的反馈循环来改进其生成相关图像的能力。鉴别器经过训练从一组数据中识别图像。经过适当的训练，这个模型能够区分从数据集中取出的真实示例和与数据集无关的“假”图像。然而，生成器经过训练，可以创建与来自相同数据集的图像相似的图像。当发生器生成图像时，鉴别器会向他提供一些关于输出质量的反馈。作为回应，生成器调整，以产生更真实的图像。通过这种反馈回路，GAN慢慢地建立起创建相关合成图像的能力，并将观测数据中发现的现象考虑在内。

Generative Adversarial Neural Network’s Architecture

表示和学习

如果甘斯对我们来说是一个巨大的机会，那么了解如何展示他们是至关重要的。我们有机会让模型直接从平面图像中学习。通过格式化图像，我们可以控制模型将要学习的信息类型。例如，仅向我们的模型显示一个包裹的形状和相关的建筑足迹将生成一个能够根据包裹的形状创建典型建筑足迹的模型。为了确保输出的质量，我们将使用我们自己的架构“感觉”来策划我们训练集的内容:作为架构师，一个模型将只会和我们给他的数据一样好。

下面，我们演示了一个典型的训练序列:这个序列在一天半的训练中实现，展示了我们的一个甘模型如何逐步学习如何为住宅单元布局房间和开窗。

Training Sequence | Source: Author

尽管最初的尝试是不精确和混乱的，经过250次迭代，机器为自己构建了某种形式的直觉。

先例

如果GANs在建筑设计上的应用还处于起步阶段，那么有一些先例激发了我们的工作并推动了我们的直觉。郑浩和黄伟新在2018年的阿卡迪亚会议上发表了第一篇论文，展示了GAN在平面识别和家具布局生成方面的潜力。使用颜色的补丁，他们的模型将绘制填充的房间，基于房间的方案，和它的开口位置。同一年，Nathan Peters在哈佛大学GSD的论文中提议使用GANs (pix2pix)来处理单户模块化住宅的项目重新划分，基于房屋的足迹。

将GANs作为设计助理，郝峥(用机器人绘图:人机协作绘图实验，2018)和Nono Martinez在GSD(2017)的论文启发了我们的调查。两位作者都处理了机器和设计者之间的循环的概念，以完善“设计过程”的概念。

我们的工作扩展了这些先例，并提供了nest 3模型(足迹、程序和家具)，以创建一个完整的“生成堆栈”，同时提高每一步的结果质量。通过自动化多单元处理，我们的工作可以扩展到整个建筑的生成和总体规划布局。我们进一步提供一系列处理风格转换的模型。最后，我们的贡献添加了一个严格的框架来解析和分类结果输出，使用户能够一致地“浏览”生成的选项。

答:风格转移

Modern-to-Baroque Floor Plan Translation | Source: Author

在一个平面内，“风格”可以通过研究其墙壁的几何形状和图形平面来观察。典型的巴洛克式教堂将展示巨大的圆柱，带有多个圆形凹痕。密斯·凡德罗(Mies van der Rohe)设计的一栋现代别墅将展示薄薄的扁平墙壁。这种墙体表面的“石膏像”是一个GAN可以欣赏的特征。通过对图像的展示，其中一个图像是平面的分割版本，另一个图像是原始的墙体结构，我们就可以建立一定数量的关于建筑风格的机器直觉。

这部分展示了一个模型的结果，训练学习巴洛克风格。我们接着进行风格转换，一个给定的平面被手工分割(a)，并用新的墙壁风格装饰(B)。

 

Style Transfer Results: Apartment Units Modern-to-Baroque Style Transfer | Source: Author

b .布局助理

Layout Assistant, a Step by Step Pipeline | Source: Author

在本节中，我们提供了一个多步骤的管道，集成了绘制平面图的所有必要步骤。跨越范围，它模拟了架构师采取的流程，并试图将每个步骤封装到一个特定的模型中，经过训练来执行给定的操作。从地块到建筑足迹(I)，从足迹到用墙壁和开窗分隔的房间(II)，从开窗的楼层平面到家具的平面(III):每一步都经过精心设计、训练和测试。

Generation Pipeline (Models I to III) | Source: Author

 

原文：https://medium.com/built-horizons/ai-architecture-4c1ec34a42b8