استفاده شبکه‌های مولد تخاصمی یا گن در معماری

بر همین اساس در پژوهشی در سال 2019 که توسط Stanislas Chaillou در دانشگاه هاروارد پایه‌ریزی گردید، در این پژوهش پیشنهاد شد برای تولید پلان‌های معماری از الگوریتم‌های تخاصمی یا GAN استفاده شود. البته هدف این پژوهش تبدیل پلان‌های جدید به پلان‌های دوره‌های معماری گوتیک یا باروک بود و بیشتر هدف پژوهش بررسی ساختار و عملکرد این نوع از الگوریتم‌های هوش مصنوعی عنوان گردیده بود. البته بعدها تحقیقاتی برای تولید پلان به‌صورت فراگیری با الگوریتم‌های GAN صورت پذیرفت که بر اساس 100 شکل 100 نمونه‌های از خروجی این الگوریتم بیان گردیده است، در این روش ابتدا اسکن تصاویر نمونه‌هایی از پلان‌های مختلف از طریق شبکه عصبی الگوریتم گن که حاوی تابع نگاشت است به‌عنوان داده ورودی وارد این شبکه می‌گردد و وزن‌های شبکه را به دست می‌آورد.

درواقع در این شبکه یک مدل مولد وجود دارد که با نام Generator شناخته می‌شود، Generator وظیفه تولید داده‌های مصنوعی را بر عهده دارد. همراه Generator شبکه‌ای دیگری که مدل ممیزی یا کنترل‌کننده را شبیه‌سازی می‌نماید با نام Discriminator است که در حقیقت وظیفه تشخیص میزان صحت داده‌های مصنوعی تولید شده در فرایند Generator را از داده‌های آموزشی واقعی را برعهده دارد. شبکه مولد Generator در اینجا یک تابع نگاشت یا تولیدکننده است که از یک بردار اولیه تصادفی با نام Z استفاده می‌نماید تا بدین روش از تصویر ورودی X یک تصویر خروجی مصنوعی را بسازد.

تابع Generator می‌تواند از ترکیب هر بردار تصادفی و تصویر اسکن شده ورودی یک تصویر خروجی مصنوعی را تولید کند و شبکه کنترل‌کننده Discriminator می‌تواند تشخیص دهد که تصویر ورودی واقعی و یا مصنوعی است. در ادامه تابعی به نام فاصله نیز می‌تواند شبکه مولد Generator را وادار به تولید تصاویر واقعی‌تر نماید و از طرفی هم‌زمان شبکه Discriminator یا کنترل‌کننده را فریب دهد. این فرایند بارها تکرار می‌گردد تا جایی که تابع Discriminator توان تشخیص اینکه تصویر تولید شده از Generator آیا واقعی است یا مصنوعی را نداشته باشد.

روش تولید پلان از طرق الگوریتم‌های شبکه تخاصمی یا GANها دارای نقاط ضعف و قوت مختلف است، یکی از این موارد نیاز به یک پایگاه‌داده وسیع از نمونه تصاویر اسکن شده از پلان‌هایی که در آن‌ها مقررات و ضوابط معماری به‌صورت کاملاً دقیق و صحیح رعایت گردیده است، دوم تصاویر جمع‌آوری‌شده باید شامل انواع زمین‌های شهری، در تمام اقلیم‌ها و فرهنگ‌های معماری است که این امر تقریباً به‌خاطر پویایی رشته معماری و تغییرات وسیع و مداوم قوانین معماری یک امر محال است.

دوم مسئله مقیاس‌های معماری است، چرا که در معماری چندین مقیاس مانند؛ میلیمتر، سانتی‌متر، متر طول، مترمربع و مترمکعب وجود دارد و در الگوریتم‌های GAN به‌خاطر اینکه این الگوریتم‌ها مبنای پیکسل‌های اسکن شده تصاویر را برای تولید تصویر جدید قرار می‌دهند، امکان مقیاس دهی وجود ندارد. ساختار الگوریتم‌های GAN تابع از فرایند پیکسل‌های RGB تصاویر است و مقیاس این تصاویر مبنای پیکسلی دارد و روش تولید پلان در این الگوریتم‌ها پیکس به پیکس است.

مسئله بعدی را می‌توان در تکنیک کار دانست، در واقع الگوریتم‌های GAN از مشاهده تعداد زیادی تصاویر اسکن شده پلان‌ها و جانمایی آن با رنگ‌های RGB و سپس برابر قراردادن آن رنگ‌ها با فضاهای پلان‌های اصلی می‌توانند یک پلان را به‌عنوان پیشنهاد ارائه نمایند که در واقع این روش در معماری قابل‌قبول نیست، برای مثال اگر ما چند صد پلان معماری را به فردی ارائه نماییم و آن فرد این پلان‌ها را مشاهده نماید و بعد یک پلان را از او بخواهیم ترسیم کنید، آیا می‌توان گفت در اینجا معماری رخ‌داده است یا این فرد معمار است. در واقع در اینجا می‌توان این نقد را به الگوریتم‌های GAN وارد نمود. البته این الگوریتم بیشتر می تواند به عنوان تولید کننده تصاویر پلان برای معماران علم نماید و ایده های جدیدی را به متخصصین و طراحان معماری ارائه نماید.

انتهای پیام/