AI in Architectural Plan Development: The Example of Stanislas Chaillou's ‘AI + Architecture: Towards a New Approach’ Case Study

Abstract

Design is a discipline that has continuously evolved throughout history, shaping the aesthetic, functional, and cultural needs of society. The development of design has been shaped by parameters such as material science, technology, and the transformation of aesthetic understanding from ancient times to the modern era. Each period has developed its own unique design principles and methodologies. This evolution in architectural design has also reflected in the planning process and influenced artificial intelligence, which can be referred to as data driven. In this study, the concept of Generative Adversarial Networks (GAN) is defined, and its intersections with plan design and artificial intelligence are explored. The project titled 'AI + Architecture: Towards a New Approach' by Stanislas Chaillou, which examines the analysis and production of architectural floor plans, has been studied. Thus, inferences can be made about the role of artificial intelligence in the architectural plan development process and its usefulness to architectural designers. As a result of the study, it has been determined that the artificial intelligence model provides significant benefits, particularly in the analysis and synthesis stages. This situation has been observed to enable architectural designers to achieve results in a shorter time and progress rapidly and solution-oriented by reducing their workload.

Keywords

• GAN
• Architectural design
• Plan design
• Artificial intelligence

Mimari Plan Geliştirmede Yapay Zekâ: Stanislas Chaillou’nun ‘AI + Architecture: Towards a New Approach’ Çalışması Örneği

Öz

Tasarım, tarih boyunca sürekli evrilen, toplumun estetik, fonksiyonel ve kültürel ihtiyaçlarını şekillendiren bir disiplindir. Tasarımın gelişimi eski çağdan modern çağa, malzeme bilimi, teknoloji ve estetik anlayışın dönüşümü gibi parametrelerle şekillenmektedir. Her dönem, kendine özgü tasarım ilkeleri ve metodolojileri geliştirmektedir. Mimari tasarımdaki bu gelişme, plan sürecine de yansımış ve veri güdümü diyebileceğimiz yapay zekâda da etkisini göstermiştir. Çalışmada, Generative Adversarial Networks (GAN) kavramı tanımlanmış, plan tasarımı ve yapay zekâ ile kesişim noktaları araştırılmıştır. Mimari kat planlarının analizi ve üretiminde sunduğu olanakların araştırıldığı proje olan Stanislas Chaillou’nun ‘AI + Architecture: Towards a New Approach’ başlıklı çalışması incelenmiştir. Böylece, yapay zekânın mimari plan geliştirme sürecindeki rolü ve mimari tasarımcıya ne derece yararlı olduğuna dair çıkarımlar yapılabilecektir. Çalışma sonucunda, yapay zekâ modelinin ağırlıklı olarak analiz ve sentez kısmında fayda sağladığı saptanmıştır. Bu durumun, mimari tasarımcının zaman açısından daha kısa sürede sonuç almasına ve iş yükünü hafifleterek hızlı ve çözüm odaklı ilerlemesine imkân verdiği gözlemlenmiştir.

Anahtar Kelimeler

• GAN
• Mimari tasarım
• Plan tasarımı
• Yapay zekâ

References

1. Ağyar, Z. (2015). Yapay sinir ağlarının kullanım alanları ve bir uygulama. Mühendis ve Makine, 56(662), 22–23.
2. Atasoy, S. (2012). Yapay sinir ağları ve sinirsel bulanık ağlar ile insan kaynaklarında performans yönetimi̇ modellenmesi̇ [Yüksek lisans tezi, Yıldız Teknik Üniversitesi]. YÖK Tez Merkezi.
3. Bal, Ç. (2018). Yapay sinir ağlarında en iyi mimari seçimi için kullanılan kriterlerin incelenmesi [Yüksek lisans tezi, Muğla Sıtkı Koçman Üniversitesi]. YÖK Tez Merkezi.
4. Bengio, Y. (2009). Learning deep architectures for AI. Foundations and Trends® in Machine Learning, 2(1), 1–127.
5. Bucciarelli, L. L., Goldschmidt, G., & Schön, D. (1987). Generic design process in architecture and engineering. In J. P. Protzen (Ed.), Proceedings of the 1987 Conference on Planning and Design in Architecture (pp. 59–60). American Society of Mechanical Engineers.
6. Chaillou, S. (2019). AI + Architecture: Towards a new approach [Yüksek lisans tezi, Harvard University Graduate School of Design].
7. Chaillou, S. (2020). AI + Architecture: Towards a new approach. Harvard Graduate School of Design.
8. Çakır Aydın, D. (2017). İşitsel peyzajda ses çevresi memnuniyet düzeyinin bulanık mantık ile tahmin edilmesi: Diyarbakır Suriçi uygulaması [Doktora tezi, İstanbul Teknik Üniversitesi]. YÖK Tez Merkezi.

9. Elmas, Ç. (2011). Yapay zekâ uygulamaları. Seçkin Yayıncılık.
10. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
11. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. In Advances in Neural Information Processing Systems (Vol. 27).
12. IntechOpen. (2023). Generative adversarial networks (GANs) in artificial intelligence. https://intechopen.com/
13. Joshi, A. V. (2020). Machine learning and artificial intelligence. Springer.
14. Kabalcı, E. (2014). Yapay sinir ağları. Ders notları. https://ekblc.files.wordpress.com/2013/09/ysa.pdf
15. Kaya, Ü., Oğuz, Y., & Şenol, Ü. (2018). An assessment of energy production capacity of Amasra town using artificial neural networks. Turkish Journal of Electromechanics and Energy, 3(1), 22–26.
16. Koçkan, P. (2012). Tasarım araştırmaları bağlamında tasarımcı düşünme ve tasarım süreci [Yüksek lisans tezi, Hacettepe Üniversitesi]. YÖK Tez Merkezi.
17. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems (pp. 1097–1105).
18. Lawson, B. (2005). Problems, solutions and the design process. In How designers think (pp. 32, 121–125). Architectural Press.
19. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
20. Lighthill, J. (1973). Artificial intelligence: A general survey. In Artificial Intelligence: A Paper Symposium. Science Research Council.
21. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1956). A proposal for the Dartmouth summer research project on artificial intelligence.
22. Özaktaş, H. M. (1998). Yapay zekâ: Bilgi çağında akıl-beden sorunu. Cogito – Yapay Zekâ, (13), 77–85.
23. Öztürk, K., & Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. DergiPark, 6(2), 25–36.
24. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.
25. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117.
26. Springer. (2022). Innovations in artificial intelligence for the built environment: A multidisciplinary perspective.
27. Toprak, Z. F. (2011). Bilimde modern yöntemlere giriş ve bulanık mantık [Seminer notları]. İnşaat Mühendisleri Odası.
28. Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.
29. Yıldırım, B., & Demirarslan, D. (2020). İç mimarlıkta yapay zekâ uygulamalarının tasarım sürecine faydalarının değerlendirilmesi. Humanities Sciences, 15(2), 62–80.
30. Yılmaz, İ. (2012). Osmanlı dönemi mimarlık eserleri restorasyon inşaat maliyetlerinin yapay zekâ yöntemleri ile tahmini [Doktora tezi, İstanbul Kültür Üniversitesi]. YÖK Tez Merkezi.
31. Yıldız, P. (2014). İç mimarlıkta yapay zekâ ve Türkiye’den seçilmiş örneklerin mekân tasarımı yönünden kapsamlı analizi çalışması [Yüksek lisans tezi, Hacettepe Üniversitesi].