[論文レビュー] Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI

Zhili He, Yu-Hsing Wang+1 more|arXiv (Cornell University)|Nov 7, 2023

BIM and Construction Integration被引用数 7

ひとこと要約

Generative AIBIM は、物理的条件に基づく条件付き拡散モデル（PCDM）を用いた二段階の生成AIフレームワークを活用し、BIM統合型の知能的パイプラインを導入することで、構造設計の自動化を実現する。PCDMモデルは、アテンションモジュールを介して物理的条件、設計図面、タイムステップを統合し、多様な建物高さおよび地震動地域において、高品質で規格適合の shear wall レイアウトを生成するという、最先端の性能を達成した。

ABSTRACT

AI-based structural design represents a transformative approach that addresses the inefficiencies inherent in traditional structural design practices. This paper innovates the existing AI-based design frameworks from four aspects and proposes Generative AIBIM: an intelligent design pipeline that integrates BIM and generative AI. First, the proposed pipeline not only broadens the application scope of BIM, which aligns with BIM's growing relevance in civil engineering, but also marks a significant supplement to previous methods that relied on CAD drawings. Second, a two-stage generation framework incorporating generative AI (TGAI), inspired by the human drawing process, is designed to simplify the complexity of the design problem. Third, for the AI model in TGAI, this paper pioneers to fuse physical conditions into diffusion models (DMs) to build a novel physics-based conditional diffusion model (PCDM). In contrast to conventional DMs, on the one hand, PCDM directly predicts shear wall drawings to focus on similarity, and on the other hand, PCDM effectively fuses cross-domain information, i.e., design drawings, timesteps, and physical conditions, by integrating well-designed attention modules. Additionally, a new evaluation system including objective and subjective measures is designed to evaluate models' performance, complementing the evaluation system in the traditional methods. The quantitative results demonstrate that PCDM significantly surpasses recent SOTA techniques across both measures. The qualitative results highlight PCDM's superior capabilities in generating high-perceptual-quality drawings adhering to essential design criteria. In addition, benefiting from the fusion of physical conditions, PCDM effectively supports diverse and creative designs tailored to building heights and seismic precautionary intensities, showcasing its unique generation and generalization abilities.

研究の動機と目的

• 従来の構造設計における非効率性を是正するため、AIとBIM統合を活用したプロセスの自動化と知能化を目的とする。
• BIMの役割を文書作成の範囲から超えて、生成AIを統合した知的設計合成の実現を目的とする。
• 人間の設計プロセスを模倣する二段階の生成フレームワークを構築し、設計問題の分解を改善することを目的とする。
• 地震動強度、建物高さなどの物理的条件を拡散モデルに統合し、制約を考慮した生成を実現するという画期的な統合を目的とする。
• 客観的および主観的メトリクスを組み合わせた包括的な評価システムを確立することを目的とする。

提案手法

• 人間の設計プロセスを模倣した二段階生成フレームワーク（TGAI）を提案し、複雑な設計を管理可能な段階に分解する。
• 設計図面、タイムステップ、物理的条件を入力として使用し、shear wall レイアウトを直接予測する物理的条件に基づく条件付き拡散モデル（PCDM）を導入する。
• 空間的図面、時間的ステップ、物理的制約といった異種情報の融合を効果的に行うために、特別なアテンションモジュールを採用する。
• 物理的および幾何的条件によってガイドされた条件付きノイズ除去プロセスを採用し、潜在表現からの反復的ノイズ除去を実現する。
• 生成過程における構造的整合性と物理的妥当性を維持するために、二重ブランチアテンション機構を統合する。
• 客観的メトリクス（例：FID、LPIPS）と主観的人間評価を組み合わせたハイブリッド評価システムを採用し、知覚的品質および設計適合性を評価する。

実験結果

リサーチクエスチョン

• RQ1 二段階の生成AIフレームワークは、複雑な構造設計タスクの効果的な分解と自動化を可能にするか？
• RQ2 地震動強度や建物高さといった物理的条件を、拡散モデルに効果的に埋め込むことで、設計生成をガイドできるか？
• RQ3 アテンション機構を介した設計図面、タイムステップ、物理的制約の統合は、生成品質および実行可能性を向上させるか？
• RQ4 提案されたPCDMモデルは、定量的および定性的な設計パフォーマンスの両面で、最先端の手法と比較して優れているか？
• RQ5 モデルは、多様な建物構成にわたって一般化できる程度の能力を有しており、設計の整合性を維持できるか？

主な発見

• PCDMモデルは、FIDおよびLPIPSといった客観的メトリクスにおいて、最近のSOTA手法を顕著に上回り、優れた生成品質と忠実度を示した。
• 定性的な結果から、PCDMは、構造設計の基本的基準を厳密に遵守する高知覚的品質のshear wall レイアウトを生成することが確認された。
• モデルは強力な一般化能力を示し、建物高さや地震予防強度の異なる状況において、多様かつ文脈的に適切な設計を生成した。
• 物理的条件の拡散モデルへの統合により、制約を考慮した生成が可能となり、非現実的または規格不適合な出力を低減した。
• 主観的評価では、人間の評価者がPCDMが生成した設計を、ベースラインモデルのそれよりも現実的で設計適合性が高いと評価した。
• 包括的なパイプライン、Generative AIBIM は、BIMデータから構造設計をエンドツーエンド自動化でき、人的作業を削減し、設計サイクルを加速した。