TA16
Trained Architectonics
TYPE
Research
LOCATION
Reino Unido
“Self-Organizing Maps (SOMs) as full stochastic processes, tests the capacity of artificial-neural-network (ANN) to transmit information, which, instead of being copied, is reproduced after a learning (training) process, producing meaningful architectural outcomes.”
Año / Year:
2016
Estado / Status:
Congreso
Titulo / Title:
Trained Architectonics.
Ubicación / Location:
Seminario / Workshop:
Cliente / Client:
Diseño y maquetación / Design and layout:
Impresión / Print:
Superficie / Floor area:
Metros lineales / Linear meters:
Arquitectos / Architects:
Especialistas / Specialists:
Universidad / University:
Editorial / Publisher:
Tutor / Tutor:
Autor / Author:
José Algeciras Rodríguez
Prólogo / Foreword:
Colaboradores / Co-creators:
Contratista / Contractor:
Premios / Awards:
Publicaciones / Publications:
—Parametricism Vs. Materialism: Evolution of Digital Technologies for Development [8th ASCAAD Conference Proceedings ISBN 978-0-9955691-0-2] London (United Kingdom) 7-8 November 2016, pp. 461-468
Artículo / Paper:
Algeciras-Rodríguez, J. (2016). Trained Architectonics.
ISBN / ISBN:
Fotos / Photos:
©José Algeciras Rodríguez
The research presented here tests the capacity of artificial-neural-network (ANN) based on multi-agent systems to be implemented in architectural design processes. Artificial Intelligence algorithms allow for a new approach to design, taking advantage of its generic functioning to produce meaningful outcomes.
Experimentation within this project is based on Self-Organizing Maps (SOMs) and takes advantage of its behavior in topology to produce architectural geometry.
SOMs as full stochastic processes involve randomness, uncertainty and unpredictability as key features to deal with during the design process. Following this behavior, SOMs are used to transmit information, which, instead of being copied, is reproduced after a learning (training) process. Pre-existent architectural objects are taken as learning models as they have been considered masterpieces.
In this context, by defining the SOM input set, masterpieces become measurement elements and can be used to set a distance to the new element position in a comparatistic space. The characteristics of masterpieces get embedded within the code and are transmitted to 3D objects. SOM produced objects from a population with shared characteristics where the masterpiece position is its probabilistic center point.
La investigación que aquí se presenta pone a prueba la capacidad de las redes neuronales artificiales (ANN) basadas en sistemas multi-agente para ser implementados en los procesos de diseño arquitectónico. Los algoritmos de Inteligencia Artificial permiten un nuevo enfoque del diseño, aprovechando su funcionamiento típico para producir resultados significativos.
La experimentación dentro de este proyecto se basa en Mapas Auto-Organizados (SOMs) y aprovecha su comportamiento en la topología para producir geometrías arquitectónicas.
Los SOM, como procesos estocásticos completos, implican la aleatoriedad, la incertidumbre y la imprevisibilidad como características clave a tratar durante el proceso de diseño. Siguiendo este comportamiento, los SOM se utilizan para transmitir información que, en lugar de copiarse, se reproduce tras un proceso de aprendizaje (entrenamiento). Los objetos arquitectónicos preexistentes se toman como modelos de aprendizaje, ya que se consideran obras maestras.
En este contexto, al definir el modelo base del SOM, las obras maestras se convierten en elementos de medición y pueden utilizarse para establecer una distancia a la posición del nuevo elemento en un espacio comparativo. Las características de las obras maestras se incrustan en el código y se transmiten a los objetos 3D. SOM produce objetos a partir de un grupo con características compartidas en la que la posición de la obra maestra es su punto central probabilístico.
