Sound Shape Space -

Abstract

Tato disertační práce navrhuje novou strategii evolučních architektonických struktur založenou na myšlence adaptace na dynamicky se měnící prostředí s využitím pokročilých metod strojového učení a AI. Evoluční architektura využívá fyzické a kognitivní procesy, které jsou transformovány a sestavovány do struktur na základě vlastností a schopností prostředí. Projekt zkoumá živý dynamický systém jako komplexní soubor přírodních a kulturních dílčích procesů, ve kterých každá z interagujících entit a systémů vytváří komplexní agregáty. Zabývá se přírodními procesy, komunikačními toky, informačními sítěmi, distribucí zdrojů, hustými šumovými masami, velkou skupinou činitelů a jejich prostorovými interakcemi v prostředí. Významným rozšířením stávajícího výzkumu projekt vytváří meta-learning model vhodný pro testování různých aspektů adaptace na komplexní dynamické prostředí. To se týká obtížnosti navrhování umělých agentů, kteří mohou inteligentně reagovat na vyvíjející se složité procesy. Tento multidisciplinární projekt přenáší znalosti do oblasti architektonické tvorby, od kognitivní neurovědy a interakce člověk-počítač až po digitální modelování pomocí algoritmů strojového učení. Teoretická část práce nastiňuje nové přístupy k uchopení prostoru, materiálu a architektury v modelech vln a částic. Obsahuje studii digitálních zvukově-prostorových struktur - zvukových ploch. Projekt je případovou studií zavádění nových přístupů v architektuře, které jsou špičkou současných výpočetních technologií. Zkoumá použitelnost algoritmů strojového učení v kontextu prostorových dynamických sil jako nástroje pro architektonickou reprezentaci zvukových a dynamických prostorových struktur. Druhá část práce se zabývá aplikací složitějších modelů strojového učení pro architektonickou inteligenci. Experimentální část je zaměřena na koncept dynamického prostředí. Poté je představen koncept evoluční architektury a architektonické inteligence založený na myšlenkách adaptace na změny prostředí. Běžné algoritmy strojového učení a neuronové sítě mají omezený rozsah, protože se zabývají jednotlivými úkoly a nejsou dostatečné pro modelování složitých adaptačních procesů. Proto práce navrhuje přístup založený na pokročilých metodách jako je meta-learning, ve kterém lze poznatky získané řešením jednoho úkolu zobecnit a aplikovat na mnoho dalších úkolů. Představuje aplikace meta-learningu pro analýzu a návrh architektury a testuje navrhovaný teoretický rámec Meta-Evolver ve formě imerzivního digitálního prostředí.

This doctoral thesis proposes a new strategy for evolving architectural structures based on the idea of adaptation to a dynamically changing environment, with the use of advanced machine learning and AI methods. The evolving architecture uses physical and cognitive processes that are transformed and assembled into structures based on environmental properties and capabilities. The project investigates a living dynamic system as a complex set of natural and cultural sub-processes in which each of the interacting entities and systems creates complex aggregates. It deals with natural processes, communication flows, information networks, resource distribution, dense noise masses, a large group of agents and their spatial interactions in the environment. By significantly expanding existing research, the project creates a meta-learning model useful for testing various aspects of adaptation to a complex dynamic environment. This refers to the difficulty of designing artificial agents that can intelligently respond to evolving complex processes. This multidisciplinary project transfer knowledge into the field of architectural creation, from cognitive neuroscience and human-computer interaction approaching digital modelling through machine learning algorithms. The theoretical part of the thesis outline novel approaches to grasp space, material and architecture in a models of waves and particles. It contains a study of digital sound-spatial structures - soundscapes. The project is a case study of the implementation of new approaches in architecture that are a cutting edge of the contemporary computing technologies. It investigate applicability of machine learning algorithms in the context of spatial dynamic forces, as a tool for architectural representation of sound and dynamic spatial structures. The second part of the thesis deals with the application of more complex machine learning models for Architectural Intelligence. The experimental part focuses on the concept of a dynamic environment. Then the concept of evolutionary architecture and Architectural Intelligence is introduced based on the ideas of adaptation to environmental changes. The common machine learning algorithms and neural networks have a limited range as they deal with individual tasks and are not sufficient for modelling complex adaptation processes. Therefore, the thesis propose an approach based on advanced methods such as meta-learning, in which the knowledge gained to solve one task can be generalised and applied to many other tasks. It presents the applications of meta-learning to analyse and design architecture and tests the proposed theoretical framework of Meta-Evolver in the form of an immersive digital environment.