[論文レビュー] Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-Model-Based Conceptual Design of Pedestrian Bridges

Vera M. Balmer, S. Kühn+5 more|arXiv (Cornell University)|Nov 29, 2022

Infrastructure Maintenance and Monitoring参考文献 18被引用数 5

ひとこと要約

本稿では、構造的性能を素早く説明可能にドリブンする探索と逆設計を可能にする、歩行者橋の概念設計向けの条件付き変分オートエンコーダ（CVAE）ベースのコ・ピLOTフレームワークを提案する。18,000件の合成ブリッジインスタンスで学習されたモデルは、設計特徴から構造的性能を予測し、性能目標に従って設計を生成する。感度分析により、リアルタイムでの解釈可能性と設計ガイダンスが可能である。

ABSTRACT

For conceptual design, engineers rely on conventional iterative (often manual) techniques. Emerging parametric models facilitate design space exploration based on quantifiable performance metrics, yet remain time-consuming and computationally expensive. Pure optimisation methods, however, ignore qualitative aspects (e.g. aesthetics or construction methods). This paper provides a performance-driven design exploration framework to augment the human designer through a Conditional Variational Autoencoder (CVAE), which serves as forward performance predictor for given design features as well as an inverse design feature predictor conditioned on a set of performance requests. The CVAE is trained on 18'000 synthetically generated instances of a pedestrian bridge in Switzerland. Sensitivity analysis is employed for explainability and informing designers about (i) relations of the model between features and/or performances and (ii) structural improvements under user-defined objectives. A case study proved our framework's potential to serve as a future co-pilot for conceptual design studies of pedestrian bridges and beyond.

研究の動機と目的

• 概念設計段階と後続のAECフェーズとの間の断絶を是正するため、設計プロセスの初期段階で性能指標を統合すること。
• 時間のかかる、定量的性能基準の統合が不十分な手動で繰り返し行う設計ワークフローの限界を克服すること。
• 人間の設計者が複雑な設計空間を探索しつつも設計の直感を保ちながら支援できる、データ駆動型で解釈可能なAIフレームワークを開発すること。
• 1つのメタモデルを用いて、前方予測（設計→性能）と逆設計（性能→設計）の両方を可能にすること。
• AEC専門家による実用的かつ使いやすい導入を保証するため、既存のBIMワークフロー（例：Autodesk Revit）に統合すること。

提案手法

• 定義された設計変数と性能指標を用いたパラメトリックモデリングにより、18,000件の歩行者ブリッジ構成の合成データセットを生成する。
• 条件付き変分オートエンコーダ（CVAE）を訓練し、設計特徴（入力）と構造的性能（出力）の間のマッピングを学習させ、前方および逆生成の両方を可能にする。
• CVAEの潜在空間を用いて、高次元の設計空間を低次元で連続的な部分空間に圧縮し、効率的な探索を実現する。
• 感度分析（SA）を適用して、性能指標が設計変数に対して微分可能な勾配を計算し、解釈可能性と設計ガイダンスを可能にする。
• スライダー、チェックボックス、可視化（例：パレートフロンティア、感度プロット、3Dレンダリング）を備えたRevit-Dynamoベースのユーザインターフェースを実装し、リアルタイムでの相互作用を可能にする。
• 非エキスパート向けのAEC実務家に適した、解釈可能なAI（XAI）技術（SAや視覚フィードバックを含む）を統合することで、モデルの信頼性と使いやすさを確保する。

実験結果

リサーチクエスチョン

• RQ1 CVAEベースのメタモデルは、高次元のパラメトリック空間を持つ歩行者橋の概念設計において、前方および逆設計の両方を効果的に支援できるか？
• RQ2 感度分析をどのように活用することで、ユーザーが定めた目的に沿った構造的改善に向けて設計をガイドできるか？
• RQ3 CVAEベースのコ・ピLOTは、解釈可能で使いやすい状態を保ちながら、概念設計段階での設計効率と意思決定をどの程度向上できるか？
• RQ4 本フレームワークは、既存のBIMワークフロー（例：Autodesk Revit）にどの程度統合可能で、リアルタイムでインタラクティブな設計探索を支援できるか？
• RQ5 フィードバックループやインマージョンインターフェースを用いて、本フレームワークは、装飾的要素（例：外観）といった定性的な設計側面を拡張可能か？

主な発見

• CVAEモデルは、設計特徴から構造的性能指標（例：コスト、使用性、極限状態利用率）を高い精度で予測し、低遅延で推論を実行できた。
• 感度分析により、グリダーの高さ・厚さと橋のコストとの明確で正の相関関係が明らかになり、モデルが物理的材料使用量と整合していることが妥当性を裏付けた。
• モデルは、アライメントパラメータ（曲率／長さ）もコストに影響を与えることが示されたが、断面寸法に比べて影響度はやや小さいことが分かった。
• 逆設計インターフェースにより、ユーザーが指定した性能目標（例：コスト範囲、利用率制限）を満たす橋の設計をリアルタイムで生成できた。
• 15名の実務者によるハンズオンセッションのフィードバックにより、本フレームワークの使いやすさ、効率性、およびAEC設計ワークフローにおける実世界への導入可能性が確認された。
• 感度分析によるXAIの統合により、非機械学習専門家である工学実務者における信頼性と導入促進が向上した。