aitect.co.kr로 이전

Foster + Partners는 연구 조직으로 ARD (Applied Research + Development) 팀을 운영하고 있다. 이 팀은 디자이너에게 최고의 도구를 만들어 주는 것을 목적으로 하고 있으며, 프로그램에 익숙한 다양한 분야 건축가와 엔지니어들이 참여하고 있다. (200개 이상 분야의 다양한 자격을 갖춘 항공우주 엔지니어, 컴퓨터 과학자, 게임 아티스트, 사회학자, 지질학자 및 순수 예술가 등이 참여하고 있다) 

      ARD 팀은 AI 활용 가능성에 대한 연구를 하고 있으며, 디자인 최적화 도구로 기계학습을 이용하고 있다. 기본적으로 두 가지 방향에서 적용을 시도하고 있다.

첫번째는 간이 모델링 surrogate modelling이다. 구조, 환경 등의 설계요소에 대한 정확한 모델링은 많은 시간과 노력을 필요로 한다. 이를 대체하는 것이다. 많은 건축 프로젝트들은 큰 규모로 진행된다. 복잡하여 다양한 전문 지식과 기술을 복합적으로 적용하여야 한다. 이를 위한 시뮬레이션 작업들을 기계학습으로 단순화 하고자 하는 시도이다.

   설계과정 중 실시간 사용가능한 간이 모델링의 개발이다. AI의 기계학습을 이용하여, 이전 여러 시뮬레이션 결과들을 학습한 시스템을 이용한 빠르고 저렴한 간이 모델을 만들고자 한다. 이 모델을 사용한 실시간 결과를 얻어 빠른 의사결정을 가능하게 하고자 한다.

두 번째는 디자인 지원 시스템으로의 AI 사용이다. 창의적 디자이너의 직관을 보조하여 줄 수 있는 시스템으로 ‘설계지원 모델링’으로 부르고 있다. 공간 내 최적 공간배치나, 자동화된 문서 작성 등 빠르고 효율적인 설계과정을 지원하기 위한 것이다.

Fosters+Partners의 ARD 팀이 수행한 복합재료 변형 연구이다. 2017년 Autodesk사와의 협력 연구이다. 건축에서 생태모방공학적 적용이 가능하도록 하는 연구이다. 즉, 외부 기계적 힘에 의한 것이 아닌, 유기체적으로 온도와 빛, 습도 등의 물리적 환경에 대한 변형에 관한 연구이다. 복합소재가 주변 물리적 환경의 변화에 따라 팽창률과 수축률 차이에 의하여 그 형태가 변화하며, 이 변화를 이해하고 활용하기 위한 연구이다. 복합재의 형태학적 변형이 주된 관심사이며, 복합소재를 원하는 방식으로 제어를 하기 위한 연구이다.

문제는 복합소재들의 변형은 외부 조건에 비선형적 변화를 한다는 것이다. 다양한 다층 복합소재의 변형을 시뮬레이션 한다는 것은 많은 시간의 계산을 필요로 한다. 즉시적 변형에 대한 예측을 하기 위한 빠른 방법으로, 기계학습을 사용하는 모델 구축에 관한 연구이다.

우선 시스템 학습을 위하여 우선 합성 데이터 세트의 작성이 필요하였다. 수백 개의 다른 합성재를 만들고, 이들의 변형을 예측하는 시뮬레이션 모델을 만들었다. 이 모델을 이용하여, 재료별 변형에 관한 데이터 세트를 만들었다. 이 데이터를 이용하여 서로 경쟁하는 두 개 인공 신경망 학습에 사용하였다. 즉, GAN(Generative Adversarial Network) 학습 모델을 사용하고 있다. 

하나의 학습 신경망은 이들 데이터 세트를 이용하여 학습을 진행하고, 그 학습에 의한 결과를 다른 학습 신경망에 보낸다. 후자의 신경망을 이를 평가하고 이를 전자의 학습 신경망의 학습 개선에 사용할 수 있도록 피드백 한다. 이 순환적이며 적대적 과정을 통하여 학습이 진행되며, 결국, 두 학습 신경망의 개선이 이루어질 수 없는 상태에 이르게 된다. 

이와 같은 과정을 거친 학습 이후, 시스템은 원하는 변형을 만들어 낼 수 복합설계 소재 설계에 이용하고 있다. 현재 변형 상태를 만들기 위한 복합소재를 선택하는 방식이 아닌, 원하는 변형 상태를 설계하고, 이를 실현하기 위한 복합소재를 설계하는 방식으로 사용되고 있다.

참고 논문 첨부: Design of thermally deformable laminates using machine learning

• Fosters+Partners는 Applied R+D 조직을 운영하고 있다.
  • 프로그램을 할 수 있는 다양한 전공의 인력으로 구성되어 있다.
    • 건축가, 예술가, 예술, 항공엔지니어링, 그리고 컴퓨터 전공으로부터 조경, 구조엔지니어, 그리고 응용 수학에 이르기까지 다양하다.
    • 이들은 Computational Design, 성능 분석, 최적화, 제작과 인터액션 디자인, 증강현실, 기계학습, 실시간 시뮬레이션 등의 새로운 기술의 활용을 위한 전문성을 갖추고 있다
  • 복잡한 디자인 문제 해결을 위해 최신 기술을 바탕으로 한 연구개발을 수행한다.
    • 이 연구를 이용하여 건축가와 엔지니어를 돕는다. 
    • 실무에서 컴퓨터 사용을 효과적으로 할 수 있도록 연구개발을 수행한다. 
• 이 조직은 다음의 6개의 팀을 운영하고 있으며, 각 팀의 역할들은 다음과 같다.
  • Complex geometry and fabrication
    • 모델링, 전산, 그리고 제조 기술을 기반으로 프로젝트 혁신을 돕는 팀이다. 컴퓨터 제어 절단, 절곡, 밀링, 적층제조 등 다양한 재료의 이용과 제작기술을 개발한다.
  • Performance driven design and optimisation
    • Foster + Partners는 건축에서의 요구되는 제약조건들을 설계의 동인으로 수용하여 왔다.
    • 디지털 도구를 이용한 설계능력 향상을 목표로 하고 있다.
    • 설계안의 적정성을 판단할 수 있는 도구와 모델을 개발한다.
      • 설계안의 구성요소 변화에 따른 건물의 성능을 시뮬레이션 한다.
      • 최고의 디자인 결과를 추구한다. 
  • Collaborative design tools
    • Foster + Partners에서의 디자인은 협업을 원칙으로 한다.
    • 이 팀은 통합 설계에 따른 소통과 정보의 흐름의 개선을 추구한다.
      • 협업 디자인을 돕기 위한 도구와 시스템을 개발한다.
      • 가상 및 증강현실 디자인 시스템을 개발한다.
      • 실시간 디자인 데이터 교환 시스템을 개발한다.  
    • 아나로그-디지털 변환 시스템을 개발한다.
      • 물리적 모형이나 손그림을 디지털 모델과 도면으로 변환하는 시스템을 개발한다.
      • 이 변환된 디지털 모델의 분석과 변형 가능한 디자인 시스템을 개발한다. 
  • Experience and interaction
    • 가상 및 증강현실 디자인 기술을 중심으로 연구개발을 진행한다.
      • 가상 모델, 가상 디자인, 그리고 협업 도구 사용 방식을 탐구한다.
    • 새로운 설계 환경 조성을 위한 노력을 진행한다. 
      • 공간 경험의 새로운 방식, 고객의 참여가 가능한 설계환경을 구축한다.
      • 하이브리드 공간 환경, 그리고 최상의 물리적 공간 설계 등의 문제 해결에 노력한다. 
      • 시간과 돈, 그리고 환경적 영향을 최소화 할 수 있는 설계 환경을 추구한다.
  • Digital twins, smart buildings and internet of things
    • 이 팀은 디지털 트윈은 우리 주변 실제 세상을 대한 데이터를 저장하는 컴퓨터 모델 구축을 연구한다. 
      • 디지털 트윈과 스마트 건물의 데이터 관리 및 시각화 방안을 연구한다.
      • 맞춤형 클라우드 시스템을  구축하고 있다.
  • 인공 지능 및 기계 학습
    • 최근 인공 지능과 기계 학습이 크게 발전하였으며, 이들에 대한 관심이 증대하고 있다.
    • AI 기술을 이용한 작업방식의 변화에 대한 노력을 진행한다.
      • 기계학습과 결합한 작업 방식의 추구
      • 일상적 반복작업으로부터 해방
      • 설계 최적화와 한계를 극복하기 위한 노력
    • 데이터 수집과 체계화 방식을 탐구하고 있다.
    • 디자인 의사결정을 보조하기 위한 시스템의 학습방식을 개발하고 있다.
• 인공 지능 및 기계 학습팀은 다음과 같은 연구를 수행하고 있다. 
  • Passively actuated laminates
    • Autodesk사와의 협업을 통한 작업이다.
    • AI를 이용한 온도에 대한 복합재료의 변형 예측을 한다.
      • Hydra 시스템을 사용하여 수천번의 시뮬레이션을 한다.
        • 다양한 열조건 하에 복합재료의 행태 데이터를 만들어 낸다. 
      • 이들 데이터를 심층 인공신경망을 학습시킨다.
      • 복합재료의 행태를 예측한다. 
  • Spatial and visual connectivity
    • 기계학습을 이용한 시각적 공간적 연결성에 관한 분석을 추정한다.
      • 실제 분석에 의한 수만 건의 생성적 데이터를 수집한다.
      • 이 데이터를 인공신경망에 학습시킨다.
      • AI 시스템에 의한 예측을 한다.
    • 실제 결과를 비교 분석한다.
      • AI 분석은 실제 결과와 매우 유사하다.
      • 계산에 0.03초의 시간으로 매우 향상된 속도를 제공한다.
  • Natural Language Design Assist
    • 과거와 현재 데이터를 기계학습에 사용한다
    • AI 시스템에 의미론적 이해를 위한 레이어를 추가한다.
      • 자연언어 처리 기술을 이용한다.
    • 조직 내 쉬운 데이터 접근이 가능하게 한다.
      • 단순 검색을 넘어선 검색 환경을 마련한다.
      • 디자이너의 질문에 답을 하는 시스템 구현을 추구한다.