[논문 리뷰] Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset

Zohreh Shaghaghian, Wei Yan|arXiv (Cornell University)|2019. 12. 28.

Simulation Techniques and Applications참고 문헌 19인용 수 12

한 줄 요약

이 논문은 합성 2차원 형상 데이터셋을 훈련 데이터로 사용하여 맞춤형 건축 설계 옵션을 생성하는 딥러닝 프레임워크를 제안한다. 먼저 컨volutional 네ural 네트워크(CNN)를 사용해 미리보지 않은 형상을 분류한 후, 공간 일조 자율성(sDA)을 최적화한 창문/벽 패턴을 생성하기 위해 조건부 GAN을 활용한다. 이는 분류 및 설계 생성 작업에서 유망한 성능을 보였다.

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.

연구 동기 및 목표

• 건축가가 원하는 성능 결과는 있지만 설계 파rameter는 불확실한 상황에서 설계 옵션을 생성하는 데 도전하는 것.
• 합성 훈련 데이터로부터 학습하여 새로운 성능 중심의 건축 형상을 생성하는 딥러닝 워크플로우를 개발하는 것.
• 공간 일조 자율성(sDA)과 같은 지표를 사용하여 조건부 생성 모델이 건축 설계에 적용 가능한지 타당성을 평가하는 것.
• 종단간 딥러닝을 통해 성능 기반 설계 목표와 파arametric 설계 탐색 간 격차를 메우는 것.

제안 방법

• 2차원 형상의 합성 데이터셋을 기반으로 컨volutional 네ural 네트워크(CNN)를 훈련시어, 기하학적 특징에 따라 미리보지 않은 샘플을 분류한다.
• 특정 레이블(예: 창문 또는 벽 패턴)에 해당하는 새로운 2차원 형상을 생성하기 위해 조건부 생성 대비 신경망(cGAN)을 훈련시킨다.
• 목표 sDA 값에 따라 cGAN을 조절하여 원하는 일조 성능 지표를 충족하는 설계를 생성한다.
• 훈련 데이터셋은 기하학적 특성과 공간 분포에 대한 제어된 변형을 가진 합성적으로 생성된 2차원 형상들로 구성된다.
• 생성된 설계의 일조 성능를 평가하기 위해 sDA를 정량적 지표로 사용하여 성능 평가를 수행한다.
• 목표 성능 수준과의 비교를 통해 생성된 패턴의 정성적 및 정량적 분 析을 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 합성 데이터셋의 2차원 형상 샘플을 정확하게 분류할 수 있는가?
• RQ2 조건부 GAN은 특정 일조 성능 목표를 충족하는 새로운 건축 패턴을 얼마나 잘 생성할 수 있는가?
• RQ3 모델은 원하는 공간 일조 자율성(sDA) 수준과 일치하는 설계 옵션을 얼마나 효과적으로 생성할 수 있는가?
• RQ4 합성 훈련 데이터는 성능 중심의 건축 설계 생성에 효과적으로 기여할 수 있는가?

주요 결과

• CNN은 합성 데이터셋의 새로운 2차원 형상 샘플을 높은 정확도로 분류하여 훈련 데이터로부터 강력한 일반화 능력을 입증했다.
• 조건부 GAN은 목표 sDA 값에 기반해 다양한 시각적으로 타당한 창문 및 벽 패턴을 성공적으로 생성했다.
• 생성된 설계는 공간 일조 자율성(sDA)에서 측정 가능한 향상이 있었으며, 성능 기반 설계 목표와의 일치를 시사했다.
• 이 프레임워크는 실제 설계 데이터가 필요 없이도 합성 데이터와 딥러닝을 활용해 성능 중심의 건축 옵션을 생성할 수 있음을 입증했다.