Archllucinations: Habitando sueños de máquinas

¿Cómo podemos enseñar arquitectura a una inteligencia artificial?

Pedro Arnanz Coll
Archllucinations
8 min readDec 12, 2019

--

Todo lo que tiene nombre, existe

Se puede decir con bastante acierto que, desde que el hombre es capaz de abstraer los espacios en los que habita, la historia de la arquitectura va pareja con la historia de su representación. Así, desde los primeros planos abstractos en dos dimensiones, pasando por el descubrimiento de las leyes que rigen la perspectiva y el diseño, a las modernas técnicas de trabajo por ordenador, la representación arquitectónica, su diseño, es paso previo a la materialización arquitectónica.

Esta afirmación demuestra las limitaciones que, por defecto, el diseño arquitectónico tiene: se basará en los conocimientos, la experiencia y los recursos de los que dispone el diseñador. Como dice el refrán, todo lo que tiene nombre existe, entonces, lo que no tiene nombre, no existe . Si todo depende de aquella experiencia y conocimientos, ¿no se está perdiendo un gran campo de oportunidades con todo aquello que no está escrito, que no está de antemano pensado?¿Qué pasa con todos esos espacios que no han sido diseñados por los límites de la mente que los piensa?

La pregunta a hacerse sería, ¿puede servir la Inteligencia Artificial de ayuda para salvar ese vacío?

Claro que, antes de eso, tenemos que enseñar a la IA qué es arquitectura.

¿Cómo puede aprender arquitectura una inteligencia artificial?

El extenso y metódico trabajo que hace Stanislas Chaillou en su proyecto ArchiGAN nos sirvió tanto de inspiración como para darnos cuenta de la importancia de trabajar en 3 dimensiones. La elección que él hace del dataset en 2D nos parecía que seguía siendo demasiado determinista al seguir trabajando sobre la representación de la arquitectura (en planta), y no sobre su espacialidad.

Entonces, si entrenamos con una dataset en 3 dimensiones, la pregunta es clara, ¿cómo entiende la máquina que diferencia hay entre un espacio tridimensional y un espacio arquitectónico?

Ante esta pregunta, hay que pensar cómo nosotros, las personas, convertimos el espacio físico en arquitectónico: lo habitamos, y no sólo de manera estática, sino que además lo recorremos.

Se escogen los recorridos al considerarlos una variable transversal que permite percibir las proporciones geométricas de cada espacio, su relación secuencial, y añade la parte imprescindible de la experiencia del usuario mientras lo habita.

Recorrido en la Iglesia de Ronchamp

Frente a todas las cualidades que influyen en la percepción de un espacio, como la iluminación, la textura, la temperatura, el olor…, lo que apreciamos por la vista puede ser lo más influyente, y por lo tanto, lo elegido para esta primera prueba.

Así que, vamos a poner a nuestra máquina virtual a recorrer el espacio y entrenar con aquello que ve.

A caminar: Generación del Dataset

El modelo que hemos desarrollado ha sido entrenado con un dataset de modelos tridimensionales de obras “maestras” de la arquitectura, pertenecientes al arquitecto suizo Charles-Édouard Jeanneret, conocido como Le Corbusier, con la intención de comprobar si la AI es capaz de abstraer características como el estilo.

El proceso se comienza dibujando un recorrido en cada edificio, mediante una curva en 3 dimensiones con una altura media de observador de 1,65m.

Después, se ha programando un script, mediante Grasshopper y Python, que genera una máquina virtual que recorre cada curva proyectando una esfera de rayos visuales en todas direcciones cada 5cm.

Las isovistas chocan con la geometría dando lugar a puntos de intersección, que están referenciados mediante coordenadas en 3 dimensiones cuyo origen es siempre la cabeza del observador.

Esfera de vectores de visuales e intersecciones en el espacio

Los vectores que generan esas intersecciones tienen la misma dirección en cada momento, de tal forma que los datos con los que se entrena son el módulo de cada uno de ellos -su distancia de intersección- , lo que permite su simplificación a la hora de entrenar la AI.

Además de estas distancias, también se guarda información de coordenadas de punto (Xt,Yt,Zt) en el recorrido, la tangente en ese punto (αt,βt), y la posición (t) remapeada del punto en función de la curva.

De esta forma somos capaces de abstraer recorridos espaciales en datos con los que entrenar de manera matemática. Una vez recopilados todos los puntos, son organizados en 2 formatos para su entrenamiento:

El primer formato es desarrollando la información de distancias de cada punto en un array (A1260). Así, en el punto t de la curva recorrido, la estructura de datos sería:

Pt = ((Xt,Yt,Zt) , (αtt) , Tt , At(1260))

El segundo formato, todas las visuales de cada esfera son desplegadas en una matriz M que coincidiría con una proyección mercator. Esta opción es de gran interés ya que genera más relación entre los puntos que se encuentran próximos en el espacio, lo que más adelante nos será de gran utilidad. Su estructura sería:

Pt = ((Xt,Yt,Zt) , (αt,βt) , tt , Mt(21,60))

Proyección matriz mercator
Concatenación espacial de proyecciones mercator
Estos datos son normalizados primero y visualizados gráficamente después mediante un software de visualización como es Houdini.

Elección del modelo AI

Una vez tenemos el dataset, es decir, una vez la AI ha ‘recorrido’ todos esos edificios ¿será capaz de generar arquitectura?

La elección lógica de una DCGAN (Deep Convolutional Generative Adversarial Network), que enfrenta un generador a un discriminador de forma no supervisada, permite que sea la AI la que decida cuales son los patrones y relaciones importantes a la hora de la generación de esos espacios.

La red neuronal ha sido entrenada de manera independiente con las dos morfologías de dataset, array y mercator. Para introducir la información en modo mercator se ha recurrido a un encoder previo a la introducción en la red, y un decoder posterior.

GAN model

Soñando arquitectura

Si la AI ha aprendido arquitectura recorriéndola, tiene que caminar para imaginar un nuevo espacio. Así pues, el input que necesita es un nuevo recorrido, una curva 3D, que le permite sugerir espacios entorno a él.

Estos nuevos espacios, que aún se sitúan al borde de lo onírico, de la alucinación, ya nos permite intuir proporciones, huecos y una concatenación de diferentes escenarios. Es decir, la AI “imagina” y propone arquitectura a medida que avanza, pero estando siempre la persona, el humano, en el centro del proceso.

¿Podrá en un futuro Archllucinations servir de herramienta de diseño propositivo que ayuda a la generación de una arquitectura más humana, de más calidad?

Impacto

Actualmente el proyecto se encuentra en un punto conceptual, y la idea es seguir desarrollándose e incluir otros puntos clave a la hora de analizar arquitectura. Es decir, añadirle además de información geométrica, información cualitativa.

Esta información puede ser la de la iluminación, el material, la temperatura, la eficiencia energética, la orientación, la función, los espacios adyacentes, así como incluir proporciones en función al programa o a la cantidad de gente que tiene que albergar cada espacio.

Frente a la inclusión de la informática en el diseño de arquitectura de forma determinista, como ha sido hasta ahora, Archllucinations permitiría una herramienta propositiva, fácilmente implementable en la metodología BIM imperante actualmente (tanto en la toma de datos como en la parte propositiva)

Volviendo a la analogía del principio, si “todo está escrito”, si “todo existe”, si no dependemos del conocimiento del diseñador, sino que éste dispone de una serie de opciones arquitectónicamente de calidad para inspirarse, ¿no estaríamos estimulando la buena arquitectura?

Conclusión

Es fundamental que dispongamos de herramientas que nos ayuden a democratizar la buena arquitectura. Nos afecta a todos de diferentes porque vivimos en y rodeados de ella, y el hecho de que hoy en día sólo esté dirigida por gente que piensa en el beneficio económico y no en su componente más social, artística y psicológica empobrece notablemente nuestras vidas, sin que la mayoría de la gente sea consciente.

La ciudad, como escenario de nuestra actividad social, cultural y psicológica, necesita alejarse de modelos puramente económicos y volver a reencontrarse con el ciudadano

Archllucinations quiere demostrar que nos podemos aproximar de nuevas maneras a una materia de vital importancia para la sociedad como es la arquitectura aprovechando la irrupción de la IA. Queremos poner el foco en la mejora de la calidad de los espacios en que vivimos, en un futuro inmediato en el que ⅔ de la población vivirán en ciudades, siendo la semilla de este proceso de carácter artístico.

Saturdays.AI

Nadie:

Absolutamente nadie:

Arquitectos: podría la IA hacer edificios?

Buscando solución a este problema, llegamos a AI Saturdays, un grupo de personas sin ánimo de lucro que ayudan a introducirse en el mundo de la inteligencia artificial a gente inquieta de diferentes sectores, propiciando que encuentren aplicaciones de estas nuevas tecnologías en sus campos de conocimiento.

La enseñanza es puramente práctica mediante ejercicios que van desde la aplicación inicial de regresiones lineales y árboles de decisión, al uso de redes neuronales, finalizando este proceso con un proyecto guiado de 2 meses.

Proyecto desarrollado entre:

Francisco Jose Rueda

Iñigo Esteban Marina

Juan Crespo Garay

Pedro Arnanz Coll

--

--