[論文レビュー] Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset

Zohreh Shaghaghian, Wei Yan|arXiv (Cornell University)|Dec 28, 2019

Simulation Techniques and Applications参考文献 19被引用数 12

ひとこと要約

本論文では、合成2次元形状データセットで学習させた深層学習フレームワークを提案し、カスタマイズされた建築デザインのオプションを生成する。まず、CNNを用いて未学習の形状を分類し、次に条件付きGANを用いて空間日射利用率（sDA）を最適化した新しい窓・壁のパターンを生成する。分類およびデザイン生成の両タスクで有望な性能を達成した。

ABSTRACT

Most design methods contain a forward framework, asking for primary specifications of a building to generate an output or assess its performance. However, architects urge for specific objectives though uncertain of the proper design parameters. Deep Learning (DL) algorithms provide an intelligent workflow in which the system can learn from sequential training experiments. This study applies a method using DL algorithms towards generating demanded design options. In this study, an object recognition problem is investigated to initially predict the label of unseen sample images based on training dataset consisting of different types of synthetic 2D shapes; later, a generative DL algorithm is applied to be trained and generate new shapes for given labels. In the next step, the algorithm is trained to generate a window/wall pattern for desired light/shadow performance based on the spatial daylight autonomy (sDA) metrics. The experiments show promising results both in predicting unseen sample shapes and generating new design options.

研究の動機と目的

• 建築家が望ましい性能結果は持っているが、設計パrameterが不確実な状況において、デザインオプションを生成する課題に対処すること。
• 合成トレーニングデータから学習し、新しいパフォーマンス指向の建築形状を生成する深層学習ワークフローを開発すること。
• 空間日射利用率（sDA）のような指標を用いて、建築デザインにおける条件付き生成モデルの実用可能性を評価すること。
• エンドツーエンドの深層学習を用いて、パフォーマンス指向の設計目標とパrametric設計の探求の間のギャップを埋めること。

提案手法

• 2次元形状の合成データセットで学習された畳み込みニューラルネットワーク（CNN）を、幾何的特徴に基づいて未学習のサンプルを分類するために使用する。
• 特定のラベル（例：窓や壁のパターン）に対応する新しい2次元形状を生成するため、条件付き生成対抗ネットワーク（cGAN）を訓練する。
• 生成されたデザインが望ましい日差し性能指標を満たすように、cGANを目標sDA値で条件づける。
• トレーニングデータセットは、幾何的および空間的分布における制御された変動を伴う合成的に生成された2次元形状で構成される。
• 生成されたデザインの日差し性能を評価するために、sDAを定量的指標として用いて性能評価を実施する。
• 生成されたパターンの定量的および定性的分析を通じて、モデルの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、合成データセットからの未学習の2次元形状を正確に分類できるか？
• RQ2 条件付きGANは、特定の日差し性能目標を満たす新しい建築パターンをどの程度効果的に生成できるか？
• RQ3 モデルは、望ましい空間日射利用率（sDA）レベルに一致するデザインオプションをどの程度効果的に生成できるか？
• RQ4 合成トレーニングデータは、パフォーマンス指向の建築デザインの生成を効果的に支援できるか？

主な発見

• CNNは、合成データセットからの未学習の2次元形状サンプルの分類において高い正確性を達成し、トレーニングデータからの強力な一般化能力を示した。
• 条件付きGANは、目標sDA値に基づいて多様で視覚的に妥当な窓・壁のパターンを効果的に生成した。
• 生成されたデザインは、空間日射利用率（sDA）において測定可能な改善を示し、パフォーマンス指向の設計目標と整合していることを示した。
• 本フレームワークは、実世界の設計データを必要とせず、合成データと深層学習を用いてパフォーマンス指向の建築オプションを生成する可能性を示した。