Representation Learning for Sequential Volumetric Design Tasks

要約

容積設計はマス設計とも呼ばれ、プロの建築設計における最初の重要なステップであり、本質的に連続的なものです。
容積設計プロセスでは慎重な設計決定と反復的な調整が必要となるため、基礎となる順次設計プロセスは設計者にとって貴重な情報をエンコードします。
合理的な容積設計を自動的に生成するために多くの努力が払われてきましたが、生成される設計ソリューションの品質はさまざまで、設計ソリューションの評価には法外に包括的な一連の指標か、高価な人間の専門知識が必要です。
これまでのアプローチは、逐次設計タスクではなく最終設計の学習のみに焦点を当てていましたが、私たちは、専門家または高性能の設計シーケンスのコレクションから設計知識をエンコードし、トランスベースのモデルを使用して有用な表現を抽出することを提案します。
その後、学習した表現を、設計設定の評価や手続き型設計の生成などの重要な下流アプリケーションに利用することを提案します。
学習した表現の密度を推定することで優先モデルを開発しますが、逐次設計生成のために自己回帰変換モデルをトレーニングします。
私たちは、何千もの連続した体積設計の新しいデータセットを活用して、私たちのアイデアを実証します。
私たちの優先モデルは、任意に与えられた 2 つの設計シーケンスを比較することができ、ランダムな設計シーケンスに対する評価の精度はほぼ $90\%$ です。
私たちの自己回帰モデルは、部分的な設計シーケンスから体積設計シーケンスを自動完成することもできます。

要約(オリジナル)

Volumetric design, also called massing design, is the first and critical step in professional building design which is sequential in nature. As the volumetric design process requires careful design decisions and iterative adjustments, the underlying sequential design process encodes valuable information for designers. Many efforts have been made to automatically generate reasonable volumetric designs, but the quality of the generated design solutions varies, and evaluating a design solution requires either a prohibitively comprehensive set of metrics or expensive human expertise. While previous approaches focused on learning only the final design instead of sequential design tasks, we propose to encode the design knowledge from a collection of expert or high-performing design sequences and extract useful representations using transformer-based models. Later we propose to utilize the learned representations for crucial downstream applications such as design preference evaluation and procedural design generation. We develop the preference model by estimating the density of the learned representations whereas we train an autoregressive transformer model for sequential design generation. We demonstrate our ideas by leveraging a novel dataset of thousands of sequential volumetric designs. Our preference model can compare two arbitrarily given design sequences and is almost $90\%$ accurate in evaluation against random design sequences. Our autoregressive model is also capable of autocompleting a volumetric design sequence from a partial design sequence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google