用“图”和“图”来生成“图”？中文快不够用了 | 发明专利：多模态输入深度神经网络、框架结构梁柱设计方法及装置

发明名称：多模态输入深度神经网络、框架结构梁柱设计方法及装置

发明人：陆新征，赵鹏举，廖文杰，费一凡 

专利号：ZL 202111296427.7

用“图”和“图”来生成“图”，是不是看着有点晕，用英文说就清楚了：using IMAGE and GRAPH to generate DRAWING。

中文历史悠久，意形兼备，是宝贵的文化遗产。不过中文在表述外来词汇时，有时也会遇到一些困难。比如我们之前在如何用中文表达结构的”Robustness”就遇到过不少困难。而英文里面的Image（图像）、Graph（图谱）、Drawing（图纸），翻译成中文简写都是“图”，这就很容易把人搞糊涂了。

好了，言归正传，对于我们结构设计而言，最重要的产品是图纸（Drawing）。当然结构图纸设计会受到建筑的空间布置、以及结构构件之间的拓扑关系的约束。对于平面问题，最好的空间关系表达方式就是图像（Image），例如从图1里面就可以清晰看出建筑的平面布置情况。

图1  用图像表示的建筑空间布置

（不同颜色表示不同的建筑空间）

但是，每个结构工程师入门的第一课就是“结构的传力路径”。结构不是一堆松散的构件集合，而是有着明确拓扑关系的传力体系。那如何表述这种构件间的拓扑关系呢？显然图谱（Graph）就是最常用的方式（图2）。

图2  图谱可以清晰表示对象间的拓扑关系

（图片来源：Kaveh et al., 2020）

显然，人类工程师在设计结构时，受到了建筑空间布置和构件拓扑布置的约束。以往的工程设计方法，是通过大量工程经验的积累，工程师在建筑空间布置和构件拓扑布置的约束下找到合适的解决方案。

那有没有可能让AI也学会这个技能呢？此前我们的研究已经发现，利用生成对抗网络（GAN），可以很好的学会根据图像（Image）生成图纸（Drawing）的规律（图3）(详见：揭秘人工智能设计剪力墙结构的科学原理 | 新论文：基于生成对抗网络的剪力墙结构设计方法)。

图3  GAN根据图像（Image）生成图纸（Drawing）

而近年来，图神经网络（graph neural network，GNN）也发展迅猛，使得AI也具备了学习了一定数量的图谱（Graph）后，生成新的图谱（Graph）的能力（图4）。

图4  GNN示意图

(图片来源：https://tkipf.github.io/graph-convolutional-networks/)

基于以上研究成果，我们提出了“多模态输入深度神经网络、框架结构梁柱设计方法及装置”（图5），并申请授权了发明专利。

图5  多模态输入深度神经网络、框架结构梁柱设计方法及装置

那么效果如何呢？图6(a)所示是输入的建筑平面和柱网方案，图6(b)是AI给出的梁系布置方案，大家觉得怎么样？

(a)  建筑平面图和柱网布置

(b)  AI给出的梁系布置方案

图6 本方法给出的梁系布置案例

由于专利申请书的自身特点，一些细节没法展开讨论。待论文见刊后，我们再向各位专家读者详细介绍技术流程。

另外，人工智能结构设计是一个非常有趣的研究方向，我们也热情欢迎来自不同学科的专家共同交流探索这一领域。

联络邮箱: 

[email protected]

[email protected]

赵鹏举

廖文杰

费一凡