การประยุกต์ใช้ CycleGAN เพื่อสร้างบ้านทรงไทยสมัยใหม่
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันปัญญาประดิษฐ์มีบทบาทสำคัญต่อการพัฒนากระแสและเทคโนโลยีในอนาคต ในการออกแบบสถาปัตยกรรมแนวทางและการใช้งานปัญญาประดิษฐ์ได้รับการพัฒนามาเป็นเวลาหลายทศวรรษ เพื่อให้ได้ระบบ ปัญญาประดิษฐ์สำหรับการออกแบบสถาปัตยกรรมเพื่อแทนที่การออกแบบของมนุษย์ในระดับหนึ่ง อย่างไรก็ตาม การพัฒนาแบบจำลองปัญญาประดิษฐ์และกรอบการออกแบบสถาปัตยกรรมในปัจจุบันยังไม่เพียงพอและยังไม่ถึงระดับที่น่าพอใจ นอกจากนี้ การศึกษาการใช้งานปัญญาประดิษฐ์ที่เน้นการออกแบบพื้นถิ่นหรือสถาปัตยกรรมแบบดั้งเดิมยังมีอยู่น้อยมาก งานวิจัยนี้เป็นงานวิจัยชุดแรกในกลุ่มวิจัยที่มุ่งพัฒนาเทคโนโลยีการเรียนรู้เชิงลึกที่สามารถออกแบบสถาปัตยกรรมที่ความเป็นพื้นถิ่นได้ บทความนี้มีวัตถุประสงค์เพื่อศึกษาแง่มุมต่างๆ ของการออกแบบสถาปัตยกรรมสำหรับสถาปัตยกรรมพื้นถิ่น โดยเน้นที่บ้านเรือนไทยดั้งเดิม และ ศึกษาค้นหาหาประเภท GANs ที่เหมาะสมกับการออกแบบสถาปัตยกรรม
งานวิจัยนี้เสนอแนวทางของ Generative Adversarial Neural Networks (หรือ GANs) ในการออกแบบรูปแบบโครงการสถาปัตยกรรมเฉพาะทาง โดยเน้นการสำรวจนัยยะของ GANs ในเชิงสถาปัตยกรรม บทความนี้ยังนำเสนอแบบจำลองของ CycleGAN ในการออกแบบสถาปัตยกรรมโดยใช้การศึกษาเชิงประจักษ์โดยใช้บ้านเรือนไทยพื้นถิ่นเป็นกรณีศึกษา หลังการฝึกการเรียนรู้ของปัญญาประดิษฐ์ ผลปรากฏว่า แบบจำลองปัญญาประดิษฐ์ สามารถประยุกต์ใช้ในการออกแบบบ้านไทยสมัยใหม่ได้ โดยแปลงโฉมบ้านสมัยใหม่ให้มีลักษณะแบบบ้านไทยโบราณ ทั้งนี้เอกลักษณ์เบื้องต้นของสถาปัตยกรรมไทยพื้นถิ่นที่ถูกเลือกใช้โดยแบบจำลองปัญญาประดิษฐ์ คือ หน้าจั่วสูง (มียอดด้านบน) ปั้นลม (กันลมบนหน้าจั่ว) การยกพื้นสูง (โดยปกติจะเหลือชั้นแรกเป็นพื้นที่เปิดโล่ง), และลายไม้ (รวมทั้งสีและลวดลายแบบไทยเดิม)
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารวิศวกรรมสารฉบับวิจัยและพัฒนา วิศวกรรมสถานแห่งประเทศไทย ในพระบรมราชูปถัมภ์
เอกสารอ้างอิง
Campo, M. Del et al. Hallucinating Cities - A Posthuman Design Method based on Neural Networks. Proceedings of SimAUD, 2020.
Hassab, A. et al. Generative Design Methodology for Double Curved Surfaces using AI. In: Architecture in the Age of Disruptive Technologies: Transformations and Challenges [9th ASCAAD Conference Proceedings], 2021.
Hillier, B. et al. Creating life: or, does architecture determine anything? Architecture & Comportement/Architecture & Behaviour, 1986, 3 (3).
Hillier, B. et al. The social logic of space. The social logic of space, 1988. DOI: 10.4324/9780429450174-9
Leach, N. Do Robots Dream of Digital Buildings? In: Architectural Intelligence, 2020. DOI: 10.1007/978-981-15-6568-7_4
Chaillou, S. The Advent of Architectural AI - A Historical Perspective. Towards Data Science, 2019, (May).
Huang, W. et al. Architectural drawings recognition and generation through machine learning. In: Recalibration on Imprecision and Infidelity - Proceedings of the 38th Annual Conference of the Association for Computer Aided Design in Architecture, ACADIA, 2018.
Goodfellow, I.J. et al. Generative adversarial nets. In: Advances in Neural Information Processing Systems, 2014. DOI: 10.3156/jsoft.29.5_177_2
Arjovsky, M. et al. Wasserstein generative adversarial networks. In: 34th International Conference on Machine Learning, ICML, 2017.
Zhu, J.Y. et al. Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks. In: Proceedings of the IEEE International Conference on Computer Vision, 2017. DOI: 10.1109/ICCV.2017.244
Isola, P. et al. Image-to-image translation with conditional adversarial networks. In: Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2017. DOI: 10.1109/CVPR.2017.632
Rajagopal, A. et al. The Rise of AI and Machine Learning in Construction. Autodesk Research, 2017.
Villaggi, L. et al. Generative Design for Architectural Space Planning. Autodesk Research, 2017.
Chaillou, S. Artificial Intelligence and Architecture, 2022. DOI: 10.1515/9783035624045
Miguel, J. de et al. Deep Form Finding Using Variational Autoencoders for deep form finding of structural typologies. In: 2020. DOI: 10.5151/proceedings-caadesigradi2019_514
Asquith, L. et al. Vernacular architecture in the twenty-first century: theory, education and practice, 2006.
Oliver, P. Enclyclopedia of Vernacular Architecture of the World. Architectural Review, 1998.
Brunskill, R.W. Vernacular architecture: An illustrated handbook. London: Faber and Faber Limited, 2000. DOI: 10.2307/539141
Punpairoj, P. Recalibrating the New Thai Vernacular Architecture. Journal of Architectural/Planning Research and Studies (JARS), 2018, 7 (2), pp. 65–80.
Roonrakwit, P. Thailand and Southeast Asia Oliver, P. (ed.). Encyclopedia of vernacular architecture of the world, 1997.
Horayangkura, V. The architecture of Thailand, change amid continuity: The new challenge in transforming traditions. Asian Studies Publication Series, 2001.
Denpaiboon, C. Transformation by modernization of the traditional waterfront settlements in the context of their coexistence with aquatic environment: A case study of raft house and pillar house in Thailand, 2001.
Pavlides, E. Architectural Oliver, P. (ed.). Encyclopedia of vernacular architecture of the world, 1997.
Jotisalikorn, C. Classic Thai: Design-interior-architecture. Bangkok: Thailand: Asia Books, 2002.
Chaichongrak, R. et al. The Thai house: history and evolution. Bangkok: River Books, 2002.
Choi, H.-H. et al. The Characteristic of Decoration in Central Thai Traditional House. In: Proceeding of Spring/Autumn Annual Conference of KHA. The Korean Housing Association, 2011, pp. 103–108.
Sanjeevi, M. Ch 14.2 Pix2Pix Gan and Cycle Gan. Deep Math Machine learning.ai, 2019. Available from: https://medium.com/deep-math-machine-learning-ai/ch-14-2-pix2pix-gan-and-cycle-gan-55cd84318fb8 [Accessed 24 November 2021]
