Stanislas Chaillou, diseñador y miembro de Fulbright, ha creado un proyecto en Harvard utilizando el aprendizaje automático para explorar el futuro del diseño generativo, el sesgo y el estilo arquitectónico. Mientras estudiaba IA y su posible integración en la práctica arquitectónica, Chaillou construyó una metodología de generación completa utilizando Redes Neuronales Adversarias Generativas (GAN por sus siglas en inglés). El proyecto de Chaillou investiga el futuro de la IA a través del aprendizaje del estilo arquitectónico, y su trabajo ilustra el profundo impacto del estilo en la composición de los planos en planta.
Después de un estudio inicial sobre el potencial de los planos en planta generados por IA, el proyecto de Chaillou se convirtió en formación y ajustes de una variedad de modelos en estilos arquitectónicos específicos: Barroco, Row House, casas victorianas en suburbios y Manhattan Unit. El estudio revela cómo el estilo lleva un conjunto fundamental de reglas funcionales que definen la mecánica del espacio y controlan la organización interna del plan.
En el núcleo del trabajo de Chaillou están las GAN. Como él dice, están hechos de dos modelos clave, el Generador y el Discriminador, las GAN aprovechan un ciclo de retroalimentación entre ambos modelos para refinar su capacidad de generar imágenes relevantes. El Discriminador está capacitado para reconocer imágenes de un conjunto de datos. Adecuadamente entrenado, este modelo es capaz de distinguir entre un ejemplo real, extraído del conjunto de datos, de una imagen "falsa", ajena al conjunto de datos. Sin embargo, el generador está capacitado para crear imágenes que se asemejan a imágenes del mismo conjunto de datos. A medida que el Generador crea imágenes, el Discriminador proporciona comentarios sobre la calidad de su salida. En respuesta, el generador se adapta para producir imágenes aún más realistas. A través de este ciclo de retroalimentación, una GAN desarrolla lentamente su capacidad para crear imágenes sintéticas relevantes, factorizando los fenómenos encontrados entre los datos observados.
Chaillou aplicó esta tecnología al diseño de planos en planta, utilizando representaciones de imágenes de planos como formato de datos para las entradas y salidas de los modelos GAN. El marco empleado en todo el trabajo es Pix2Pix, un modelo GAN estándar, orientado a la traducción de imagen a imagen. El estudio cuidadoso de la organización aprendido por cada modelo reveló la existencia de un sesgo más profundo, o estilo arquitectónico. El proyecto tenía como objetivo ayudar al arquitecto a generar un diseño y mobiliario coherentes a cada espacio, y finalmente volver a ensamblar todas las unidades de apartamentos en un plano tentativo. El proyecto también incluyó la conversión de planos de un estilo a otro.
Finalmente, Chaillou reunió estos modelos e ideas en un proyecto arquitectónico final: un desarrollo de viviendas a gran escala ubicado en el Lower East Side de Manhattan. Como muestra el proyecto, los estilos se convirtieron en herramientas funcionales. La "inteligencia" o flexibilidad formal que se muestra en los apartamentos generados evidencia aún más la validez del enfoque: los modelos GAN pueden de hecho encapsular cierta cantidad de experiencia arquitectónica y estilística que luego se puede usar, dependiendo del conjunto de restricciones en juego.
Como resume Chaillou, los estilos arquitectónicos conllevan una mecánica implícita del espacio y, a su vez, existen consecuencias espaciales al elegir un estilo determinado sobre otro. El estilo no es un anexo auxiliar, superficial o decorativo; Está en el centro de la composición. El trabajo de Chaillou muestra cómo un modelo o algoritmo está directamente relacionado con el diseño y sus propias características y conocimientos.
Noticia vía Stanislas Chaillou
