A Machine Learning Approach to Translate Graph Representations into Conceptual Massing Models

Abstract

L'apprentissage automatique (ML) a des applications populaires dans des domaines impliquant l'image, la vidéo, le texte et la voix. Cependant, en architecture, les systèmes ML basés sur l'image font face à des défis pour capturer la complexité de l'espace tridimensionnel. Dans cet article, nous tirons parti d'un système ML basé sur des graphes qui peut capturer la topologie inhérente des conceptions conceptuelles architecturales et identifier des motifs latents performants dans ces conceptions. En particulier, notre objectif est de traduire les données des graphes architecturaux en modèles de volumétrie tridimensionnels. Nous nous appuyons sur nos travaux antérieurs sur le ML, où nous, a. avons découvert des caractéristiques topologiques latentes, b. avons composé des blocs de construction en nouveaux conceptions, c. a évalué leur faisabilité et d. a exploré les variations de conception générées par les réseaux (neuronaux) antagonistes génératifs (GaN). Nous avons formé le système ML avec des données de conception architecturale que nous avons recueillies à partir d'une plate-forme de concours de conception architecturale en ligne, les avons traduites en représentations graphiques lisibles par machine et avons identifié leurs sous-graphes essentiels pour développer de nouvelles compositions. Dans cet article, nous explorons comment ces nouvelles conceptions (produites sous forme de graphique) peuvent être traduites en forme architecturale tridimensionnelle. Nous présentons une approche ML pour transformer les représentations graphiques en modèles volumétriques fonctionnels. L'objectif ultime de la l'étude consiste à développer un pipeline de bout en bout pour générer une conception architecturale - d'une représentation graphique à un proxy conceptuel entièrement développé d'un produit conçu. La question de recherche est prometteuse dans l'automatisation de la conception conceptuelle, et nous pensons que le résultat peut également être pertinent pour d'autres disciplines de conception.El aprendizaje automático (ML) tiene aplicaciones populares en dominios que involucran imagen, video, texto y voz. Sin embargo, en arquitectura, los sistemas de ML basados en imágenes enfrentan desafíos para capturar la complejidad del espacio tridimensional. En este documento, aprovechamos un sistema de ML basado en gráficos que puede capturar la topología inherente de los diseños conceptuales arquitectónicos e identificar patrones latentes de alto rendimiento dentro de dichos diseños. En particular, nuestro objetivo es traducir los datos de gráficos arquitectónicos en modelos de masa tridimensionales. Estamos construyendo sobre nuestro trabajo previo de ML, donde, a. descubrimos características topológicas latentes, b. compusimos bloques de construcción en nuevos diseños, c. evaluamos su viabilidad y d. exploramos las variaciones de diseño generativas generadas por las redes adversarias (neuronales) (GAN). Entrenamos el sistema de ML con datos de diseño arquitectónico que recopilamos de una plataforma de competencia de diseño arquitectónico en línea, los tradujimos en representaciones gráficas legibles por máquina e identificamos sus subgrafos esenciales para desarrollar composiciones novedosas. En este documento, exploramos cómo estos diseños novedosos (emitidos en forma de gráfico) se pueden traducir a una forma arquitectónica tridimensional. Presentamos un enfoque de ML para convertir las representaciones gráficas en modelos de masa volumétrica funcional. El objetivo final del es desarrollar un pipeline de extremo a extremo para generar diseño arquitectónico, desde una representación gráfica hasta un proxy conceptual completamente desarrollado de un producto diseñado. La pregunta de investigación es prometedora para automatizar el diseño conceptual, y creemos que el resultado también puede ser relevante para otras disciplinas de diseño.Machine learning (ML) has popular applications in domains involving image, video, text and voice.However, in architecture, image-based ML systems face challenges capturing the complexity of three-dimensional space.In this paper, we leverage a graph-based ML system that can capture the inherent topology of architectural conceptual designs and identify high-performing latent patterns within such designs.In particular, our goal is to translate architectural graph data into threedimensional massing models.We are building on our prior ML work, where we, a. discovered latent topological features, b. composed building blocks into new designs, c. evaluated their feasibility, and d. explored Generative Adversarial (Neural) Networks (GAN)-generated design variations.We trained the ML system with architectural design data that we gathered from an online architectural design competition platform, translated them into machine-readable graph representations, and identified their essential subgraphs to develop novel compositions.In this paper, we explore how these novel designs (outputted in graph form), can be translated into three-dimensional architectural form.We present an ML approach to turn graph representations into functional volumetric massing models.The ultimate goal of the study is to develop an end-to-end pipeline to generate architectural design -from a graph representation to a fully developed conceptual proxy of a designed product.The research question is promising in automating conceptual design, and we believe the outcome can be relevant to other design disciplines as well.يتمتع التعلم الآلي (ML) بتطبيقات شائعة في المجالات التي تتضمن الصورة والفيديو والنص والصوت. ومع ذلك، في الهندسة المعمارية، تواجه أنظمة التعلم الآلي القائمة على الصور تحديات في التقاط تعقيد الفضاء ثلاثي الأبعاد. في هذه الورقة، نستفيد من نظام التعلم الآلي القائم على الرسم البياني الذي يمكنه التقاط الطوبولوجيا المتأصلة في التصاميم المفاهيمية المعمارية وتحديد الأنماط الكامنة عالية الأداء داخل هذه التصاميم. على وجه الخصوص، هدفنا هو ترجمة بيانات الرسم البياني المعماري إلى نماذج تكتل ثلاثية الأبعاد. نحن نبني على عملنا السابق في مجال التعلم الآلي، حيث اكتشفنا، أ. الميزات الطوبولوجية الكامنة، ب. كتل البناء المكونة في جديد التصاميم، ج. تقييم جدواها، و د. استكشاف اختلافات التصميم المولدة للخصومة (العصبية). قمنا بتدريب نظام التعلم الآلي على بيانات التصميم المعماري التي جمعناها من منصة مسابقة التصميم المعماري عبر الإنترنت، وترجمناها إلى تمثيلات بيانية مقروءة آليًا، وحددنا الرسوم البيانية الفرعية الأساسية لتطوير تراكيب جديدة. في هذه الورقة، نستكشف كيف يمكن ترجمة هذه التصاميم الجديدة (التي تم إخراجها في شكل رسم بياني) إلى شكل معماري ثلاثي الأبعاد. نقدم نهج التعلم الآلي لتحويل تمثيلات الرسم البياني إلى نماذج تجميع حجمية وظيفية. الهدف النهائي من الدراسة هي تطوير خط أنابيب من البداية إلى النهاية لإنشاء تصميم معماري - من تمثيل بياني إلى وكيل مفاهيمي مطور بالكامل لمنتج مصمم. سؤال البحث واعد في أتمتة التصميم المفاهيمي، ونعتقد أن النتيجة يمكن أن تكون ذات صلة بتخصصات التصميم الأخرى أيضًا.