[論文レビュー] Data-Driven Design: Exploring new Structural Forms using Machine Learning and Graphic Statics

Lukas Fuhrimann, Vahid Moosavi+2 more|arXiv (Cornell University)|Sep 23, 2018

Design Education and Practice参考文献 8被引用数 15

ひとこと要約

本稿では、組み合わせ的平衡モデリング（CEM）、自己組織化マップ（SOM）、UMAPを統合したデータ駆動型構造的デザインフレームワークを提案する。この手法により、静的平衡状態にある空間トランス構造の多様体を探索・可視化できる。数千もの空間トランスネットワークを生成・クラスタリングすることで、設計パラメータと形状との間の非線形関係を明らかにし、建築家やエンジニアが統一された解空間内で多様で構造的に効率的な解決策を発見できる。

ABSTRACT

The aim of this research is to introduce a novel structural design process that allows architects and engineers to extend their typical design space horizon and thereby promoting the idea of creativity in structural design. The theoretical base of this work builds on the combination of structural form-finding and state-of-the-art machine learning algorithms. In the first step of the process, Combinatorial Equilibrium Modelling (CEM) is used to generate a large variety of spatial networks in equilibrium for given input parameters. In the second step, these networks are clustered and represented in a form-map through the implementation of a Self Organizing Map (SOM) algorithm. In the third step, the solution space is interpreted with the help of a Uniform Manifold Approximation and Projection algorithm (UMAP). This allows gaining important insights in the structure of the solution space. A specific case study is used to illustrate how the infinite equilibrium states of a given topology can be defined and represented by clusters. Furthermore, three classes, related to the non-linear interaction between the input parameters and the form space, are verified and a statement about the entire manifold of the solution space of the case study is made. To conclude, this work presents an innovative approach on how the manifold of a solution space can be grasped with a minimum amount of data and how to operate within the manifold in order to increase the diversity of solutions.

研究の動機と目的

• 機械学習を構造的形状探索と統合することで、建築家やエンジニアの設計空間の可能性を拡張すること。
• 従来の手法ではスケーラビリティに欠ける、膨大で複雑な解空間を効果的にナビゲートする課題に対処すること。
• データ駆動的手法を用いて、平衡構造的形状の多様体を体系的に可視化・解釈するアプローチを開発すること。
• パラメータ空間および形状空間における隠れたパターンや関係を明らかにすることで、創造的な構造的形状の探求を可能にすること。

提案手法

• 与えられた境界条件および荷重条件に対して、組み合わせ的平衡モデリング（CEM）を用いて静的平衡状態にある空間トランスネットワークの大量データセットを生成する。
• 自己組織化マップ（SOM）を用いて、生成された構造的形状を低次元でトポロジーを保持した形状マップにクラスタリングおよび埋め込む。
• 一様多様体近似と射影（UMAP）を用いて、解空間のグローバル構造を分析し、潜在的な多様体を明らかにする。
• 入力パラメータ（例：支持位置、荷重ベクトル）から得られる構造的形状へのマッピングを行い、非線形な依存関係を捉える。
• 解空間を連続的な多様体として可視化することで、直感的なナビゲーションと新規で効率的な形状の発見を可能にする。
• フレームワークにより、多様体上のクラスターや遷移を特定することで、構造的多様性のインタラクティブな探索が可能になる。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術を用いて、平衡構造的形状の全多様体をどのように探索・可視化できるか。
• RQ2 入力設計パラメータとそれに対応する構造的トポロジーとの間にどのような非線形関係が存在するか。
• RQ3 クラスタリングと次元削減は、大規模な解空間内に意味のある構造的カテゴリを明らかにできるか。
• RQ4 グラフィカルスタティクスとデータ駆動的手法を統合することで、構造的デザインにおける創造性をどのように高められるか。
• RQ5 最小限のデータセットで、複雑な解空間の本質的構造をどの程度正確に捉えることができるか。

主な発見

• 本手法は、数千もの平衡状態のトランスネットワークを効果的に生成・クラスタリングし、幾何的配置および荷重条件に基づく明確な構造的ファミリーを明らかにした。
• UMAP解析により、すくないサンプリングでも、解空間の本質的構造を捉える連続的かつ低次元の多様体が同定された。
• 入力パラメータと形状出力との間の非線形な相互作用に基づき、3つの明確な構造的挙動クラスが同定された。
• SOMを用いて作成された形状マップは、解釈可能で視覚的な解空間表現を提供し、直感的なナビゲーションとデザイン探索を可能にした。
• フレームワークは、最小限のデータセットで高次元の解空間のグローバル構造を効果的に表現できることを示した。これにより、効率的な探索が可能になった。
• 本手法により、従来の設計直観を超えた新規で構造的に効率的な形状の発見が可能になった。