[논문 리뷰] Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI

Zhili He, Yu-Hsing Wang외 1명|arXiv (Cornell University)|2023. 11. 07.

BIM and Construction Integration인용 수 7

한 줄 요약

Generative AIBIM은 물리 기반 조건부 확산 모델(PeCM)을 활용한 이중 단계 생성형 AI 프레임워크를 통해 구조 설계를 자동화하는 지능형 BIM 통합 파이프라인을 소개한다. PCDM 모델은 주어진 물리 조건, 설계도면, 시간 단계를 어텐션 모듈을 통해 융합하여 다양한 건물 높이와 지진 구역에서 높은 품질의 코드 준수 철근 콘크리트 벽체 배치를 생성하는 데 최첨단 성능을 달성한다.

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.

연구 동기 및 목표

• 기존 구조 설계의 비효율성을 해결하기 위해 AI와 BIM 통합을 통해 설계 과정을 자동화하고 지능화하는 것.
• BIM의 역할을 문서화를 넘어서, 생성형 AI를 통합하여 지능형 설계 합성에 활용하는 것.
• 인간의 설계 진행 방식을 모방하는 이중 단계 생성 프레임워크를 개발하여 설계 문제 분해를 향상시키는 것.
• 지진 강도, 건물 높이 등의 물리 조건을 확산 모델에 융합하여 제약 인식 생성을 선도하는 것.
• 객관적 및 주관적 지표를 조합한 종합 평가 체계를 구축하여 생성형 설계 모델의 성능을 평가하는 것.

제안 방법

• 복잡한 설계를 관리 가능한 단계로 분해할 수 있도록 인간의 설계 과정을 영감으로 삼은 이중 단계 생성 프레임워크(TGAI)를 제안한다.
• 설계도면, 시간 단계, 물리 조건을 입력으로 사용하여 직접적으로 벽체 배치를 예측하는 물리 기반 조건부 확산 모델(PCDM)을 도입한다.
• 확산 모델 내에서 공간 도면, 시간 단계, 물리적 제약 조건 간의 다중 도메인 정보 융합을 효과적으로 수행하기 위해 전용 어텐션 모듈을 활용한다.
• 물리적 및 기하학적 조건에 의해 안내되는 조건부 노이즈 제거 과정을 통해 잠재 표현에서 노이즈를 반복적으로 제거한다.
• 생성 과정 중 구조적 일관성과 물리적 타당성을 유지하기 위해 이중 분지 어텐션 메커니즘을 통합한다.
• 객관적 지표(FID, LPIPS 등)와 주관적 인간 평가를 조합한 하이브리드 평가 체계를 활용하여 시각적 품질과 설계 준수 여부를 평가한다.

실험 결과

연구 질문

• RQ1 이중 단계 생성형 AI 프레임워크는 복잡한 구조 설계 작업을 효과적으로 분해하고 자동화할 수 있는가?
• RQ2 지진 강도, 건물 높이 등의 물리 조건을 확산 모델에 효과적으로 인코딩하여 설계 생성을 안내할 수 있는가?
• RQ3 어텐션 기반 메커니즘을 통해 설계도면, 시간 단계, 물리적 제약 조건을 융합함으로써 생성 품질과 타당성이 향상되는가?
• RQ4 제안된 PCDM 모델은 정량적 및 정성적 설계 성능 측면에서 최첨단 기법들과 비교해 어떤가?
• RQ5 모델은 다양한 건물 구성에 대해 얼마나 잘 일반화되며, 설계의 일관성을 유지하는가?

주요 결과

• PCDM 모델은 FID 및 LPIPS와 같은 객관적 지표에서 최근 최첨단 기술보다 뚜렷이 뛰어난 성능을 보이며, 더 높은 생성 품질과 정밀도를 입증한다.
• 정성적 결과에서는 PCDM가 엄격하게 핵심 구조 설계 기준을 준수하는 고시각 품질의 벽체 배치를 생성함을 확인할 수 있다.
• 모델는 뛰어난 일반화 능력을 보이며, 다양한 건물 높이와 지진 예방 강도에 맞는 다양한 구조적 배치를 적절하게 생성한다.
• 물리 조건을 확산 모델에 통합함으로써 제약 인식 생성이 가능해져, 비가능성 또는 비준수 출력의 수를 줄였다.
• 주관적 평가 결과, 인간 평가자들은 PCDM가 생성한 설계가 기준 모델보다 더 현실감 있고 설계 준수도가 높다고 평가했다.
• 전체 파이프라인인 Generative AIBIM은 BIM 데이터로부터 구조 설계의 엔드 투 엔드 자동화를 가능하게 하여 수동 작업을 감소시키고 설계 주기를 단축시켰다.