Trong bài viết này, chúng tôi nhấn mạnh việc tổ chức chặt chẽ các mặt bằng sàn và sự tạo ra chúng, sử dụng Trí thông minh nhân tạo (AI) và cụ thể hơn là Generative Adversarial Neural Networks (GANs). Khi chúng tôi điều chỉnh khả năng tạo ra các mặt bằng sàn, chúng tôi nâng cấp vấn đề theo khuynh hướng bản chất của các phong cách thiết kế bằng cách tạo và điều chỉnh theo một loạt các phong cách kiến trúc cụ thể: Baroque, Row House, Victoria Suburban House, & Manhattan Unit. Tiềm ẩn trong mỗi phong cách kiến trúc là ý nghĩa sâu sắc của nó, vượt ra khỏi ý nghĩa văn hóa đơn thuần, mỗi phong cách mang một chức năng cơ bản là tạo ra một không gian, kiểm soát và tổ chức bên trong không gian đó. Trong bài viết mới này, chúng tôi sẽ cố gắng chứng minh tác động sâu sắc của phong cách kiến trúc đối với bố cục của các mặt bằng sàn.
AI & Generative Adversarial Neural Networks (GANs)
Trong khi nghiên cứu AI và tích hợp tiềm năng của nó vào thực tiễn kiến trúc, chúng tôi đã xây dựng hoàn chỉnh một phương pháp sáng tạo, sử dụng GANs (Generative Adversarial Neural Networks). Dạng này của AI đã được chứng minh mang lại kết quả đột phá khi áp dụng cho thế hệ thông tin hai chiều. Như bất kỳ phong cách “học máy” (machine learning) nào, GANs mô phỏng các hiện tượng thống kê đặc trưng lấy từ các dữ liệu được nhập vào.
Tuy nhiên, cấu trúc của chúng thể hiện một bước đột phá: được tạo thành từ hai phong cách chính: Generator và Discriminator (Tạm dịch: Bộ tạo lập và Bộ chọn lọc), GANs tận dụng vòng phản hồi giữa cả hai phong cách để điều chỉnh khả năng tạo ra các hình ảnh có liên quan.
- Discriminator giúp nhận diện các hình ảnh từ một tập hợp dữ liệu. Được lập trình đúng cách, phong cách này có thể phân biệt giữa hình ảnh thực tế và hình ảnh “fake”, dữ liệu được lấy từ bên ngoài.
- Tuy nhiên, Generator được thiết lập để tạo ra các hình ảnh giống với hình ảnh trong cùng một bộ dữ liệu.
Khi trình Generator tạo ra các hình ảnh, trình Discriminator cung cấp cho nó một số phản hồi về chất lượng đầu ra của sản phẩm. Đáp lại, Trình Generator điều chỉnh để tạo ra các hình ảnh chân thực hơn. Thông qua vòng phản hồi này, một GANs dần dần xây dựng khả năng tạo ra các hình ảnh nhân tạo liên quan, phân tích các hiện tượng được tìm thấy trong các dữ liệu được quan sát.
Chúng tôi đặc biệt áp dụng công nghệ này cho thiết kế mặt bằng sàn, sử dụng diễn họa hình ảnh của các tầng như là định dạng dữ liệu cho cả đầu vào và đầu ra của mô hình GANs. Công cụ được sử dụng trong toàn bộ công việc của chúng tôi là Pix2Pix (Một công cụ vẽ vời chạy trên nền tảng web), một mô hình GANs tiêu chuẩn, hướng đến sự chuyển đổi từ hình ảnh sang hình ảnh.
I. TỔ CHỨC
Bố cục trong không gian của các phần tử là mối quan tâm hàng đầu trong ngành kiến trúc. Như đã được chứng minh trong một bài báo trước đó, bài viết này cực kỳ đặc biệt, và có thể có chút phức tạp trong một chuỗi các bước. Mỗi bước trong thực tế được theo dõi bởi một mô hình GANs được lập trình kỹ lưỡng. Nghiên cứu kỹ về cấu tạo được mô phỏng bởi mỗi phong cách cho thấy sự tồn tại của một khuynh hướng có chiều sâu hơn từ các quy tắc chúng tôi đặt ra tạo nên một phong cách kiến trúc mới, độc đáo và bền vững. Việc bóc tách từng lớp giúp chúng tôi dễ dàng hơn trong việc định hình một phong cách thiết kế và thoát ly khỏi ảnh hưởng của một phong cách cụ thể nào đó.
Đường ống & Sản sinh ( Pipeline & Generation)
Đầu tiên, chúng tôi đề xuất một đường ống, trong đó lồng các phong cách kế tiếp nhau. Mục đích là hỗ trợ kiến trúc sư tạo ra bố cục các phòng mạch lạc (Mô hình I) và trang trí nội thất (Mô hình II). Và cuối cùng sẽ ghép lại thành một tầng lầu.
Đối với mỗi bước trong suốt đường ống của chúng tôi, chúng tôi cung cấp cho người dùng một giao diện đơn giản. Ở bên trái, bạn có thể nhập vào một loạt các yêu cầu và giới hạn, kết quả sẽ xuất ra ở phía bên phải. Sau đó, người thiết kế có thể lặp lại sửa đổi đầu vào, ở bên trái, để tinh chỉnh kết quả, ở bên phải. Các hình ảnh động ở đây (bên dưới) hiển thị loại giao diện & quy trình được thiết lập cho Mô hình I.
Giao diện bên dưới cũng có thể được dùng thử tại địa chỉ sau. Link: http://stanislaschaillou.com/thesis/GAN/unit_program/
(Hiệu suất tùy thuộc vào độ phân giải màn hình / phiên bản trình duyệt – Được khuyên dùng Chrome).
Xu hướng, hay sự xuất hiện của phong cách
Sau khi cân nhắc một loạt các khối được tạo, chúng tôi bắt đầu nhận thấy một số khuynh hướng bên trong các mô hình chúng tôi tạo ra: cấu trúc tường bên trong được bố trí nhất quán như một hệ thống phân vùng trực giao (bố trí thẳng góc), bỏ qua hướng tiềm năng của mặt tiền của các khối (xem hình ảnh phía dưới). Đồng thời, bố cục của mặt bằng xây dựng cũng được thiết lập một cách nhất quán sao cho các không gian như là phòng tắm, nhà vệ sinh, tủ quần áo, nhà bếp – được thiết kế ở phía sau lô đất, trong khi hình dạng mặt tiền bị méo mó vì kích thước quá lớn của phòng khách và phòng ngủ.
Trên thực tế, những đặc điểm này có thể được tìm thấy trên toàn bộ tập lệnh thiết lập ban đầu của chúng tôi. Chúng tôi hiểu rằng đây là bản dịch theo nghĩa đen của một khái niệm trung tâm của ngành kiến trúc: Phong cách.
(Còn tiếp)
Bài viết được công bố vào tháng 5/ 2019 bởi tác giả Stanislas Chaillou của đại học Harvard, Mỹ. Chủ đề của nghiên cứu là khai thác tiềm năng của trí tuệ nhân tạo (AI) trong lĩnh vực thiết kế kiến trúc.
Link bài viết gốc (bằng tiếng Anh): https://towardsdatascience.com/architecture-style-ded3a2c3998f
Lược dịch: Tuga Nguyen
NA Studios 