I.3.b Machine Learning pour l’Architecture & l’Urban Design

Machine Learning pour l’Architecture & l’Urban Design.

Depuis toujours, les humains s'inquiètent de voir les machines prendre leur travail et dans certains cas, cette peur est devenue réalité. Toutefois, dans les domaines de la conception, les créations tirent parti des avantages de l'apprentissage automatique en architecture et trouvent plus de temps pour la créativité tandis que les ordinateurs gèrent les tâches basées sur les données. Mais de réels progrès impliqueront de remettre en question les définitions traditionnelles du design et des concepteurs, de l’architecture à la fabrication en passant par l’ingénierie.

Les technologies automatisées ne sont pas nouvelles. Elles évoluent simplement, de la même manière que l'esprit humain évolue, dans la façon dont il traite l'information. En fait, la conception assistée par ordinateur (CAO) existe depuis plus d'un demi-siècle. Comme le dit Jim Stoddart du studio d’architecture The Living36 , avec les technologies de pointe, « nous avons des versions plus rapides du stylo et du papier ».

Avec le développement de la technologie de l'information, les idées de programmation et de calcul en masse ont été introduites dans le domaine de la conception, ce qui a entraîné la croissance de la conception assistée par ordinateur. Avec l'idée de “concevoir par la donnée”, nous avons commencé à manipuler les données directement et à les interpréter à travers des travaux de conception. L'apprentissage automatique en tant qu'outil d'aide à la décision a été largement utilisé dans de nombreux domaines. Il peut être utilisé pour analyser de grandes quantités de données et prévoir les changements futurs. Generative Adversarial Network (GAN)37 est un cadre modèle en apprentissage automatique, afin de présenter cette méthode, nous pouvons citer le travail de thèse de Stanislas Chaillou (The Advent of Architectural AI – Towards Data Science)38 où une combinaison de résultats prometteurs à été réalisée à l’échelle du bâtiment et de l’aménagement intérieur. En outre la machine est déjà en capacité de proposer une infinité de propositions d’aménagements intelligents, prenant en compte une multitude de données.

36 The Living - Autodesk @ MaRS - 2018 37 GANs in Action: Deep learning with Generative Adversarial Networks - Jakub Langr - 2019 38 AI + Architecture - Thesis - Harvard GSD - Stanislas Chaillou - 2019

ENSAM – Mémoire Master – Loïck Maire - 2019

Traduit de l’anglais : “ Si la génération d'appartements standard peut être réalisée en utilisant notre technique, repousser les limites de nos modèles est l'étape suivante. En fait, le GAN’S peut offrir une souplesse remarquable afin de résoudre des problèmes apparemment très contraignants. Dans le cas de la disposition des plans d'étage, comme l'empreinte change de dimension et de forme, le cloisonnement et l'ameublement de l'espace à la main peuvent être un processus difficile. Nos modèles s'avèrent ici très "intelligents" dans leur capacité à s'adapter aux contraintes changeantes. “

“ Notre capacité à contrôler la position des portes d'entrée et des fenêtres des unités, associée à la flexibilité de nos modèles nous permet d'aborder l'aménagement de l'espace à plus grande échelle, au-delà de la logique d'une seule unité. En ajoutant des algorithmes simples à notre travail sur la conception de bâtiments entiers contenant plusieurs unités de production d'appartements … “39

Cet algorithme est conçu pour apprendre et générer des données de sortie présentant des caractéristiques similaires ou identiques. Pix2pixHD est une version modifiée des GAN’s qui étudie les données d'image et génère de nouvelles images en fonction cette l'entrée.40

Stanislas Chaillou a donc appliqué pix2pixHD, à la reconnaissance et à la création de dessins architecturaux, en marquant des pièces de différentes couleurs, puis en générant des plans d’appartements via deux réseaux de neurones. Ensuite, afin de comprendre le fonctionnement de ces réseaux, l’auteur a analysé leur cadre de travail et expliqué les trois principes de fonctionnement des réseaux : couche de convolution, couche réseau résiduelle et couche de déconvolution. Enfin, afin de visualiser les réseaux dans les dessins d’architecture, l’auteur a dérivé les données de différentes couches et de différentes époques, et a visualisé les résultats sous forme d’images en niveaux de gris. (Voir figure page suivante)

39

AI + Architecture - Thesis - Harvard GSD - Stanislas Chaillou – 2019 – Page 50-51 40 High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs – Youtube - 2017

ENSAM – Mémoire Master – Loïck Maire - 2019

Fig 12 Source : AI + Architecture - Stanislas Chaillou

Il a été constaté que les caractéristiques des dessins du plan architectural ont été progressivement apprises et stockées en tant que paramètres dans l’IA. À mesure que les réseaux s’approfondissent et que la formation augmente, les caractéristiques du graphique deviennent plus concises et plus claires, cette IA évolue, apprend et analyse toutes formes de plans, afin de proposer des solutions toujours plus personnalisées.

By already knowing everything about us, our hobbies, likes, dislikes, activities, friends, our yearly income, etc., AI software can calculate population growth, prioritize projects, categorize streets according to usage and so on, and thus predict a virtual future and automatically draft urban plans that best represent and suit everyone.

Rron Beqiri sur Future Architecture Platform. 41

Le City Science Group du MIT étudie notamment l’interaction des caractéristiques sociales, économiques et physiques des zones urbaines afin de comprendre comment les habitants utilisent et expérimentent les villes dans le but d’améliorer les pratiques de conception urbaine afin de faciliter une communication entre les différents acteurs. CityScope42 développe une multitude de plates-formes tangibles et numériques dédiées à la résolution des problèmes d'aménagement du territoire et urbaniste. Les outils mis en place quantifient l'impact des interventions perturbatrices dans les villes aux applications de collaboration communicables.43

41 http://futurearchitectureplatform.org/news/28/ai-architecture-intelligence 42 CityScope: A Data-Driven Interactive Simulation Tool for Urban Design. Use Case Volpe - 2018 43 https://www.media.mit.edu/projects/cityscope/overview/

ENSAM – Mémoire Master – Loïck Maire - 2019

Il développe et déploie ces outils dans le monde entier et maintient des référentiels open source pour la majorité des déploiements. Pour résumer, "CityScope" est un concept de calcul interactif partagé pour la planification urbaine.

Fig 13Source : MIT - CityScope

ENSAM – Mémoire Master – Loïck Maire - 2019