به سوی هوش مصنوعی در معماری: یادگیری ماشین چگونه میتواند رویکرد ما را در طراحی تغییر دهد؟

پیشرفت در هوش مصنوعی (artificial intelligence, AI) و یادگیری‌ماشین (machine learning, ML) اغلب به عنوان یک تهدید برای فرآیند خلاق تلقی می‌شود. اما در شرکت فاستر و همکاران (Foster + Partners) گروه تحقیق و توسعه‌ایی  برای باز اندیشی در یادگیری ماشین وپذیرش آن بکر گرفته‌شده‌اند، نه برای تکرار کار معماران و یا گرفتن جای آن‌ها بلکه برای افزایش دانش، این اتفاق ما را از کارهای معمولی رها می‌کند و مرزهای طراحی را جلو برده و بهینه سازی می‌کند. با مازستا همراه باشید تا جزییاتی از هوش مصنوعی در معماری را در اختیارتان قرار دهیم.

هوش مصنوعی در معماری

امروزه معماری یک حرفه چند مهارتی است که شامل رشته‌هایی از مهندسی سازه و محیط زیست تا علوم اجتماعی و مواد می‌شود. تیم تحقیق و توسعه در حال کاوش و بکارگیری فناوری‌های موجود به منظور گسترش و بهبود قابلیت های طراحی است که اخیراً پتانسیل استفاده از هوش مصنوعی در معماری و فرآیند خلاقیت را بررسی کرده‌ است.

هوش مصنوعی به عنوان یک رشته مطالعات دانشگاهی، در دهه 1950 تأسیس شد و می‌توان آن را به طور کلی به عنوان توسعه ماشین‌هایی تعریف کرد که هوش و رفتارهای انسانی را نشان می‌دهند. هوش مصنوعی از زمان پیدایش موضوعی بحث برانگیز بوده و در فرهنگ عامه و حتی موضوعات و فیلم های علمی تخیلی گنجانده شده است.

خوشبختانه، هوش مصنوعی تکامل خود را با نوآوری‌های عمدتا نوع دوستانه ادامه داده‌است: می‌تواند به ما کمک کند تا صحبت‌های انسان را بفهمیم (مترجم ها) و به آن واکنش نشان‍‌دهیم، روبات‌ها و ماشین‌های خودران بسازیم، یا فقط فیلم‌هایی را که دوست داریم تماشا کنیم به ما توصیه کند.(بطور مثال الگوریتم ویدئوهای پیشنهادی در اکسپلور اینستاگرام)

سیستم‌ها و فرآیندهای زیادی وجود‌دارند که برای تقلید دقیق از هوش انسانی باید کامل شوند. به عنوان مثال می‌توان به زیرمجموعه‌ای از هوش مصنوعی معروف به یادگیری ماشین اشاره کرد که توسط دانشمند کامپیوتر تام میچل به عنوان “مطالعه الگوریتم‌های کامپیوتری که به برنامه‌های کامپیوتری اجازه می‌دهد تا به طور خودکار از طریق تجربه بهبود یابند” خلاصه شده است. در زمینه معماری و طراحی، یادگیری ماشین پتانسیل بالایی برای تجزیه و تحلیل طرح‌های ما با سرعت بیشتر و هزینه کمتر دارد.

اولین مورد به عنوان مدل‌سازی جایگزین شناخته می‌شود. جایگزینی مستقیم برای شبیه‌سازی‌های مهندسی تحلیلی (مانند تغییر شکل ساختاری، تابش خورشیدی، حرکت عابر پیاده)، که تکمیل آن‌ها ساعت‌ها یا حتی روزها زمان می‌برد.

امروزه مقیاس و پیچیدگی بسیار زیادی برای بسیاری از پروژه‌های معماری وجود‌دارد که با مجموعه متنوعی از تخصص‌ها و فناوری‌های متقاطع مشخص می‌شود. برای کمک به این زمینه متنوع، یادگیری ماشین ممکن است ما را قادر به حل مسائل و تشخیص الگوهای وابسته به شبیه‌سازی‌ها و برنامه‌های تحلیلی پیچیده کند.

دومین حوزه تحقیق یادگیری ماشین که ما آن را دستیار طراح (design assistance) می‌نامیم، این سیستم‌ها در کنار شهود طراحان در فرآیند خلاقانه طراحی کار می‌کنند. دستیار طراح به تسهیل فرآیندهای معماری که لزوماً پاسخ تحلیلی برای آنها نداریم کمک می‌کند. پاسخی که می‌توان از شبیه‌سازی استخراج کرد. به عنوان مثال می‌تواند چیدمان فضایی بهینه مبلمان در یک فضا.

در معماری، وظایف متعددی وجود دارد که شبکه های عصبی مصنوعی (artificial neural networks) می‌توانند برای آنها مفید واقع شوند. در ابتدایی ترین سطح، می‌توان به طبقه بندی یک طرح بر اساس گونه‌شناسی آن اشاره کرد. برای مثال اگر بخواهیم ویلاهای پالادیانی را از مجموعه ای از تصاویر شناسایی و طبقه‌بندی کنیم. با استفاده از یادگیری ماشین، می‌توانیم به سرعت تشخیص دهیم که آیا هر تصویر تمام معیارهای گونه‌شناسی ساختمان را برآورده می‌کند یا خیر.

برای انجام این کار، هزاران تصویر از ویلاها را به شبکه می‌رسانیم و به آن می‌گوییم که کدام یک از این‌ها معماری پالادیایی را نشان می‌دهند پس از آموزش خود بر روی این داده‌ها، سیستم می‌تواند با دقت بالا استنباط کند که آیا هر تصویری از یک ساختمان ارائه شده به آن یک طرح واقعی به سبک پالادیانی است یا خیر. چیزی که یادگیری ماشین را به ویژه در این مورد موثر می‌کند این است که ما به صراحت مشخص نکرده‌ایم که ویژگی‌های ویلاهای پالادیان چیست.

سیستم در طول آموزش خود این ویژگی ها را به طور مستقل شناسایی می‌کند. چیزی که یادگیری ماشینی را جالب می کند، پتانسیل آن برای پاسخگویی موثر به یک سوال «خلاقانه» است، سوالی که پاسخ عینی درستی به آن وجود ندارد.

گونه‌شناسی ویلای پالادیانی – بر اساس تعداد محدودی از نمونه های ساخته شده – را می‌توان از طریق توصیف قوانین معماری ثابت آن تعریف کرد. ما از سیستم سؤالی می‌پرسیدیم که می‌توانستیم پاسخ دقیقی برای آن پیدا کنیم. اگر بخواهیم سیستم ما کیفیت های ذهنی‌تر یا غیرقابل پیش بینی معماری را به تصویر بکشد، چه؟

ما می‌توانیم بدانیم که ویژگی‌های تعیین‌کننده یک ویلای پالادیانی چیست، اما آیا می‌توانیم به طور کلی همه ویژگی‌های یک میدان عمومی موفق را مشخص کنیم؟ اگر ما یک سیستم یادگیری ماشینی با مجموعه‌ای از هزاران فضای عمومی را آموزش دهیم و به موارد موفق اشاره کنیم (شناسایی یک فضای عمومی موفق بسیار ساده‌تر از این است که به طور جامع آنچه را که باعث شده است تعریف کنیم) سپس آن سیستم می‌تواند وظیفه تولید فضاهای دیگری که دارای ویژگی های مشابه هستند را بر عهده بگیرد.

برگرفته از سایت  foster and partners