بهره‌گیری از یادگیری ماشین در فرایند طراحی معماری: بررسی روش تولید متنوع طرح جانمایی فضایی با استفاده از شبکه مولد تخاصمی

در سال‌های اخیر هوش مصنوعی و به طور ویژه یادگیری ماشین به‌عنوان ابزار تصمیم‌گیری در بسیاری از حوزه‌های طراحی از جمله طراحی معماری توسعه‌یافته است. یادگیری از روی داده‌ها و اعمال یادگیری از طریق تجربه کسب شده ویژگی مهم این حوزه نوظهور است. شبکه مولد تخاصمی شرطی یکی از انواع مدل های یادگیری ماشین است که نتایج قابل‌توجهی را در تولید طرح جانمایی فضایی در یک مرز مشخص ایجاد کرده است. پژوهش‌های پیشین نشان می‌دهد که آموزش شبکه مولد تخاصمی شرطی با داده‌های آموزشیِ برچسب‌گذاری شده می‌تواند به درک چگونگی ارتباط عناصر فضایی با یکدیگر و رابطه بین عناصر فضایی و مرز پلان کمک کند. اما برای هر مرز پلان به‌عنوان ورودی شبکه، خروجی واحدی تولید می‌شود. بااین‌حال، پژوهش حاضر از شبکه مولد تخاصمی شرطی برای تولید متنوع طرح جانمایی فضایی با بیش از یک خروجی برای هر مرز پلان استفاده کرده است. ایده اصلی این مطالعه کنترل نتایج تولید شده با استفاده از نمودار حبابی است. براین‌اساس روشی برای الحاق کانال‌های تصویر پیشنهاد می‌شود تا علاوه بر مرز پلان بتوان از نمودار حبابی به‌عنوان ورودی شبکه مولد تخاصمی استفاده کرد. در این راستا مجموعه‌داده‌ای متشکل از ششصد و شصت پلان آپارتمان‌های مسکونی شهر همدان و نمودار حبابی معادل آن‌ها برای آموزش مدل و آزمایش آن تهیه شده است. ارزیابی کمی و کیفی یافته‌های پژوهش نشان از موفقیت مدل جهت تولید طرح جانمایی فضایی در مرز پیرامونی پلان با استفاده از نمودار حبابی دارد؛ لذا این رویکرد به طراحان امکان کنترل طرح‌ جانمایی تولید شده را باتوجه‌به مرز پلان و الزامات توپولوژیکی مطابق با ترجیحات کاربر ایجاد می‌کند. همچنین به طراحان اجازه می‌دهد تا طرح‌های متنوعی از جانمایی فضایی را در یک مرز یکسان تولید کنند.

utilizing machine learning in the architectural design process: exploration of generating diverse spatial layout designs using generative adversarial networks

introduction: artificial intelligence technology has become an influential and trending topic in the field of architectural layout design. the core technology of artificial intelligence, machine learning, has attracted the attention of architects as a decision-making tool. numerous design-related disciplines could be significantly impacted by the capacity of this emerging field to learn from examples and extrapolate that knowledge into the creation of new instances. as a machine learning model, the generative adversarial network (gan) has demonstrated remarkable outcomes in the development of spatial layouts within defined boundaries. recently, relevant studies have applied gan to layout generation and proved its effectiveness. however, these approaches typically generate a single output for each input condition. however, this paper has a new approach to generate a variety of space layout designs with more than one output for a given boundary. the main idea of this study is to control the generated results by using the bubble diagram so that we can have a diversity layout according to the same boundary conditions. the bubble diagram conditions allow designers to generate layout plans by satisfying both input boundary and user requirements.methodology: for this purpose, a specific dataset is prepared. the dataset consists of 660 apartment plans in hamadan. each space is labeled with a specific color during data preparation. the color-labeled images are utilized to extract the bubble diagram. by providing the bubble diagram images as supplementary conditions during training, the goal of the experiment is to determine how adding conditions to the c-gan model affects it. to do this, a directory holding the bubble diagram images that serve as extra conditions is loaded by modifying the data loader. the two input tensors from an image pair consisting of an input and a condition image are concatenated along the c dimension to create a new tensor of shape 2c. the condition image was stacked on the input image.results: after completing the process of training the model with dataset, we test the model by using the test set. the outputs of the model are evaluated based on quantitative and qualitative methods. the results show that the generated layouts are relatively ideal. the bubble diagram provides users with information about what is included in the synthetic space layout plans, and the generated plans also adhere to the boundaries of buildings. this indicates that the bubble diagram conditions defining the location and area of particular types of rooms provide further guidance to the model.conclusion: this research enables dsigners to control the results and participate in the process of machine learning generative design. within the same building boundaries, users can generate different floor plan layouts by giving various bubble diagrams. consequently, it appears that these conditions are beneficial for the generation floor plan, both in terms of training and model flexibility. feeding these conditions is useful if the designer wants to interact with the model.