Donate
Architecture and Cities

Алгоритмический дизайн. Оценка эффективности генеративного подхода

Арина Красакова15/11/18 19:002.4K🔥

Ниже изложен перевод статьи, написанной старшим научным сотрудником группы The Living — исследовательского проекта компании Autodesk. В своем блоге Danil Nagy доходчиво пишет об основных принципах алгоритмического подхода в проектировании, его нюансах и о том, зачем это вообще нужно.

проект Evolving Chair исследовательской лаборатории The Living
проект Evolving Chair исследовательской лаборатории The Living

Одна из проблем генеративного подхода в проектировании — оптимизация и контроль всех возможных решений, которые заведомо включены в так называемое «дизайн-пространство». С одной стороны, проблему оптимизации решает подробная характеристика этого пространства, а с другой — определение целевых функций и их ограничений, при помощи которых алгоритм дает оценку каждому варианту того или иного дизайна. В основу этих функций заложены определенные метрики — или показатели эффективности проекта.

Для чего нужны метрики?

Вкратце, нужны они для решения следующих задач:

1. Объективное сравнение

2. Объективная оценка

3. Перебор всех возможных вариантов дизайна.

Первые два пункта касаются вполне практических проблем: очевидно, мы заинтересованы в конкретных числовых показателях, помогающих нам оценить различные варианты одной и той же концепции. Одним из таких показателей, может быть, например, бюджет проекта. Однако нас также интересуют и не совсем очевидные критерии оценки, такие, например, как физические нагрузки в конструкции или продолжительность инсоляции в помещениях.

Третий пункт, однако, более двух других касается понятия «генеративный дизайн». По факту, это и есть фундаментальный принцип генеративного подхода:

Обучение на всех возможных решениях, сгенерированных или сделанных «от руки».

В традиционном параметрическом дизайне это классическая работа для проектировщика — урегулировать различные параметры вручную и, используя накопленный опыт и интуицию, вывести желаемый результат. В данном случае нет особой надобности в специфических оценивающих критериях (если только эти критерии не используются в процессе принятия интуитивного решения).

Однако при выборке «вручную», некоторые решения могут быть просто упущены. Эту проблему и решает генеративный подход, предполагая внедрение AI в алгоритм поиска. Загвоздка однако в том, что случайная генерация всех возможных решений не имеет особого смысла. В силу отсутствия интуиции машина способна лишь исследовать дизайн-пространство, основанное на конкретных вычисляемых показателях. Поэтому нам куда полезнее окажется не случайная выборка, а накопленные алгоритмом знания о том, как работает дизайн-пространство и в каком месте этого пространства можно предсказать появление оптимального решения.

Как нам помогают метрики?

Принципиально, алгоритм поиска учится стохастически, на выборке различных решений с дальнейшим сравнением их эффективности, а затем применяет накопленное знание ко всем другим решениям. Рассмотрим это на примере простого куба. Положим, нам нужно найти куб максимального объема, и мы попросили алгоритм поиска вывести нам результат. Сначала алгоритм представляет дизайн-пространство как набор ограничений в каждом измерении, и не понимает, как эти ограничения соотносятся с желаемым результатом. Поэтому алгоритм начинает с того, что генерирует случайные по объему боксы, записывая и храня в памяти значения объема каждого элемента.

Полагая что дизайн-пространство непрерывно, алгоритм начинает строить ментальную модель (график), иллюстрирующий соотношение наша цель&позиция объекта в дизайн-пространстве. Используя эту грубую модель, алгоритм может предсказать, где может возникнуть наилучшее решение, тестирует это решение и добавляет результат в модель. Если наша модель бокса имеет два параметра (длина и ширина), то мы можем представить ментальную модель в виде двумерной плоскости, с лежащими на ней точками в соответствии их x и y (длины и ширины), которые иллюстрирует параметры входа, и чьи значения координаты z (высоты) иллюстрируют объем бокса.

плоскость «ответа»
плоскость «ответа»

Теперь мы можем представить процесс обучения алгоритма как попытку сопоставить положение плоскости с входящими данными — настолько хорошо, насколько это возможно. Такой принцип подходит и для многомерного пространства, где для каждой задачи алгоритм пытается подобрать некоторую многомерную гипер-плоскость к входящими данными от каждого тестируемого дизайна. Назовем эту плоскость — плоскостью «ответа», которая позволяет определить изменчивость оценки каждого решения в зависимости от входящих параметров.

Как выбрать метрику?

В процессе параметризации дизайн-пространства у нас нет конкретных правил, регламентирующих типы оценочных показателей, как и нет правил, как эти показатели должны быть реализованы. Поэтому описание метрик, как и определение параметров — являются ключевыми проблемами генеративного подхода в проектировании. Если параметры это набор «регуляторов», которые можно было бы изменить алгоритмом, то метрики — это набор «датчиков», которые сообщают алгоритму, насколько эффективно каждое решение.

разработка метрик
разработка метрик

Пока нет очевидных правил выбора метрик — они должны касаться всего, что повлияет на дизайн, так как именно эти метрики управляют процессом алгоритмического поиска. На этом этапе возникает проблема: если оценивающие показатели должны быть полностью закодированы, то они также должны быть детерминистически вычисляемыми из модели, и не означает ли это, что все факторы возникновения дизайн-концепции могут быть представлены численно?

Это большая проблема в области генеративного дизайна, ведь не любая оценка может привести к ряду чисел, особенно оценка субъективная, такая как красота, стиль или индивидуальное предпочтение. Если мы попробуем категоризировать возможные виды метрик в области архитектурного проектирования, то скорее всего придем к трем основным категориям:

1. Простые метрики, такие как площадь пола или высота, которые могу быть как легко определены количественно, так и интуитивно представимы человеком.

2. Сложные метрики, которые теоретически определяются количественно, но с трудом представимы интуитивно. Это включает в себя показатели, основанные на симуляциях, такие как структурные симуляции или динамика жидкостей, или агентное поведение (например, множественное движение или маршрутизация). Даже эксперт не может интуитивно оценить дизайн с учетом таких сложных вводных данных, поэтому генерация дизайна на основе комплексных метрик с большей вероятностью может привести к неожиданному результату.

3. Неизмеримые метрики, такие как, например, персональное предпочтение.

Генеративный дизайн касается только первых двух пунктов, так как мы пока не можем научить машину субъективной оценке, основанной на стиле или красоте.

Сложные измерения, обозначенные во втором пункте, часто называют «Компьютерными симуляциями», так как они вычислены с целью просимулировать эффект от воздействия сложных сил. Эти симуляция можно разделить на две категории, в зависимости от типа компьютерного расчета:

Статический метод

— метод, который может быть рассчитан единственным образом, в один шаг. Такие расчеты нересурсоемкие и быстрые, поэтому они как нельзя лучше вписываются в концепцию генеративного дизайна, когда нам нужно проанализировать сотни, а то и тысячи вариантов перед тем, как вывести список оптимальных решений. Так как измерения основаны на стандартных вычислениях, они часто выведены из стандартных формул или при помощи простых плагинов Grasshopper, и могут быть легко интегрированы в автоматизированный генеративный рабочий процесс проектирования.

метод конечных элементов
метод конечных элементов

Метод конечных элементов (Finite element analysi или FEA) — описывает объект списком малых дискретных элементов, и затем использует эти элементы для расчета различных измерений объекта. Этот метод типичен в структурном анализе для расчета сил, которые воздействуют на объект и идентифицируют области с высокой концентрацией напряжений. Структурный анализ на основе МКЭ может быть вычислен с использованием конечных элементов в одном измерении (линия), в двух измерениях (поверхностная сетка) или в трех измерениях (объемной сетки) в зависимости от типа симуляции.

Элементный статический анализ также может использоваться для расчета физических измерений, таких как затенение и дневной свет. В этом случае элементы обычно представляют собой двухмерные поверхности, разбитые на меши: происходит подсчет количества тех мешей, которые поражает свет в течение некоторого периода времени.

лучевой и графический методы
лучевой и графический методы

Лучевой метод (Ray-based) — позволяет посчитать измерения, основанные на проекциях лучей от источников. Как пример — анализ видимости,который обычно осуществляется при помощи изовиста.

Графический метод (Graph-based) — предполагает использование графиков и структурных сеток для подсчета измерений в пространстве. Графы используются для подсчета таких измерений как маршрутизация, расстояние, соседство или кластеризация. Графический анализ — основной метод в совокупности методов пространственного анализа, называемых Space Syntax.

Динамический метод

— метод, используемый для измерений, которые не могут быть вычислены единожды и сразу — они базируются на последовательных вычислительных действиях. Эти действия создают «систему агентов» и симулируют взаимодействие между ними и со средой до тех пор, пока система не достигнет равновесия (или «сходимости»)

Поскольку эти измерения требуют пошаговый подсчет, они как правило занимают больше времени и тратят больше ресурсов компьютера. В силу своей сложности такие симуляции также предполагают специализированное программное обеспечение, и поэтому их трудно включить в автоматизированный генеративный рабочий процесс проектирования. По этим причинам их обычно трудно использовать совместно с генеративным дизайном, хотя в последнее время было проведено несколько интересных исследований по использованию машинного обучения для моделирования результатов сложных динамических симуляций.

симуляция поведения физических структур и потоковых процессов
симуляция поведения физических структур и потоковых процессов

Симуляция поведения физических структур (Physics-based solvers) — подразумевает вычисление состояния равновесия для серий элементов с динамическими свойствами, относящимися к силам, определяющих их окружение. Такой метод обычно используется для «поиска форм» и «релаксации», где форма смоделирована как серия эластичных элементов, подвергающихся внутренним и внешним силам, из–за которых элементы приходят в движение до тех пор, пока силы во всех таких элементах не достигнут равновесия. Это, как правило, приводит к форме, которая более эффективна при распределении структурных нагрузок.

Вычислительная гидродинамика(Computational fluid dynamics или CFD) — подразумевает вычисление потоковых процессов в 3-D пространстве. Этот тип анализа очень сложный и ресурсоемкий, так как процесс потока определяется сложным динамическим поведением, и должен быть рассчитан шаг за шагом в течение некоторого периода времени вплоть до состояния конвергенции. Свойства потока могут быть градуированы, и один и тот же метод может быть использован для исследования воздушных,водных и тепловых потоков.

cимуляция поведения толпы
cимуляция поведения толпы

Симуляция поведения толпы (Crowd simulation) — вычисляет поведение людей-агентов в пространстве с течением времени. Подобно другим динамическим методам, симуляция толпы представляет собой популяцию автономных агентов, которые имитируют поведение человека, воспринимающего пространство и перемещающегося в нем. Такие симуляции могут быть крайне полезны для архитекторов и урбанистов, в основном в контексте проектирования открытых общественных//публичных пространств, таких как шоппинг-моллы, аэропорты, городские площади.

Все эти методы показывают нам метаморфозы дизайна в сложных условиях реального мира. А метрики могут быть использованы не только для оценки эффективности одного проекта — они также могут быть основой для алгоритма оптимизации при автоматическом поиске всех возможных решений с целью найти лучшее из них.

Изображения взяты из оригинальной статьи

Источник: https://medium.com/generative-design/designing-measures-2c66a71b2ff3

Irina Gorshkova
Ксения Токарева
Extybt Strnr
Comment
Share

Building solidarity beyond borders. Everybody can contribute

Syg.ma is a community-run multilingual media platform and translocal archive.
Since 2014, researchers, artists, collectives, and cultural institutions have been publishing their work here

About