  
  
  <div id="section_1644"  class="paragraph--type--section padding-top-large padding-bottom-medium"  >
    
	
  
  <div id="row_1643" class="container container--medium">
    <div class="paragraph--type--row grid">
      
	
<div class="paragraph--type--text grid__item grid--1">
	
 <h2 id="db59" name="db59">AU 컨퍼런스 전시관 설계</h2>
<p id="de39" name="de39"><a href="https://www.autodesk.com/autodesk-university/Generative-Design">제너레이티브 디자인(</a> 은 높은 수준의 목표와 구속조건을 정의하고 컴퓨팅의 힘을 활용해 넓은 설계 공간을 자동으로 탐색해 최상의 설계 옵션을 찾을 수 있게 해 주는 프로세스입니다. 제조를 위한 제너레이티브 디자인이 점점 더 주목을 받고 있는 가운데, 건축 공간 계획에 대한 적용은 상당한 수준까지 검토가 진행되었습니다.</p>
<p id="9a49" name="9a49">제너레이티브 디자인은 AU 라스베이거스 2017 전시관 배치 설계에 적용되었으며, 이를 통해 주요 관계자들은 새로운 고성능 설계 전략을 발견할 수 있었습니다. 이 문서에서는 AU 전시관의 설계 프로세스에 대한 개요와 함께 기술적, 이론적 측면에서 제너레이티브 디자인 단계에 대한 심층적인 개요를 제공합니다. 제너레이티브 디자인의 단계는 1) 맞춤식 형상 시스템을 통해 설계 공간을 생성하고, 2) 설계 목표를 통해 각 설계를 평가하고, 3) 진화적 컴퓨팅을 통해 설계를 발전시키는 것으로 정의됩니다.</p>
<blockquote><p name="9a49" id="9a49">Write an article for AU <br />
<a href="https://www.autodesk.com/autodesk-university/article-submissions">Learn more</a></p>
</blockquote>
<h3 id="3ee8" name="3ee8">프로젝트 비전</h3>
<p id="955b" name="955b">설계 프로세스에는 일반적으로 과거 사례 연구가 포함됩니다. 설계자는 보통 효율적이지만 예측 가능한 결과물을 얻습니다. 하지만 설계자가 사전 예측 없이 시작해 예기치 않은 새로운 결과를 발견하려고 한다면 어떻게 해야 할까요?</p>
<p id="f847" name="f847">토론토의 Autodesk MaRS Office에서 제너레이티브 디자인을 사용한 후 The Living은 AU 라스베이거스 전시관 레이아웃 설계에 동일한 프로세스를 적용했습니다. 임시 전시장 설계를 위한 이 접근 방식은 전에 한 번도 수행된 적이 없기 때문에 몇 가지 초기 예측에 직면해 몇 번의 반복을 거쳐 실제 환경의 제약에 대응하고 오토데스크의 브랜드를 반영하는 설계를 제공했습니다.</p>
<p><figure role="group" class="align-center">
<img alt="Generative design for the MaRS Autodesk Office Project." data-entity-type="file" data-entity-uuid="d0c7d58e-319c-4fe7-902d-aa98e3bc1ade" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_osZHLKwQwyzP6CI22V-0gw_0.jpeg" />
<figcaption>Autodesk MaRS Office 프로젝트의 제너레이티브 디자인</figcaption>
</figure>
</p>
<h3 id="5822" name="5822">문제 공식화</h3>
<p id="8026" name="8026"><strong>추론</strong></p>
<p id="bb96" name="bb96">과거의 AU 전시장 배치에서는 일반적으로 ‘경험에 근거한 법칙’과 인간의 설계에 대한 직관을 통해 이루어진 설계 결정을 보여줍니다. 예를 들어, 전시장의 기하학적 중심 위치에 중점을 두고 대칭형 배치를 사용하며 클러스터링 프로그램을 함께 사용하거나 액세스 지점에 근접하게 배치할 경우 과거 경험에 따르면 적절한 노출 수준이 보장됩니다. 컴퓨터 과학 용어를 차용하면 이러한 유형의 문제 해결 방식을 '추론'이라고 합니다. 이는 과거에 어느 정도 성공적인 것으로 입증된 간단한 문제 해결 전략입니다. 이 접근 방식이 효율적이긴 하지만 복잡한 문제에 적용할 경우에는 최상의 종합적인 솔루션을 얻을 수 없었습니다. 이러한 이유에서 컴퓨터 과학자들은 주어진 복잡한 문제에 대해 솔루션을 반복적으로 샘플링하고 성능 기준을 사용하여 더 나은 결과를 도출함으로써 최상의 종합적인 솔루션을 찾을 수 있는 최적화된 기술 집합인 ‘메타 추론’을 도입했습니다.</p>
<p><figure role="group" class="align-center">
<img alt="AU 2016 and 2015 floor plan layouts." data-entity-type="file" data-entity-uuid="be59ae52-a115-42f0-a0e1-7fce072e0a2e" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_8889iD6rPdDl2iL7GnEPYA.jpeg" />
<figcaption>AU 2016과 2015의 평면도 레이아웃.</figcaption>
</figure>
</p>
<h3 id="1635" name="1635">‘경험에 근거한 법칙’을 뛰어넘다 / 메타 추론</h3>
<p name="1635" id="1635">AU 팀과 긴밀하게 협력함으로써 우리는 AU 배치의 완전한 가능성과 목표를 정의할 수 있었습니다. 제너레이티브 디자인을 적용함으로써 우리는 기존의 배치를 넘어 과거의 경험적 의사 결정 규칙을 넘어서는 목표를 설정하고 지정된 설계 목표에 따라 참신하고 뛰어난 성능을 제공하는 새로운 배치 솔루션을 발견했습니다.</p>
<h3 id="31ec" name="31ec">문제 설명</h3>
<p name="31ec" id="31ec">물론 모든 설계 문제에 제너레이티브 디자인 워크플로우를 도입해야 하는 것은 아닙니다. 제너레이티브 디자인을 사용해야 하는 문제는 인간의 힘만으로 해결할 수 없는 복잡한 문제입니다. 이 사례의 경우, 해결해야 할 설계 과제는 '지정된 평면도 내에서 조건과 요구사항을 준수하고 노출 수준과 동선 밀집도(Buzz)를 극대화하면서도 새로움과 흥미로움을 잃지 않는 설계 솔루션을 생성하고 동시에 다양한 프로그램을 구성하고 배포할 수 있는 방법'을 찾는 것이었습니다.</p>
<h3 id="6d1f" name="6d1f">건축을 위한 제너레이티브 디자인</h3>
<p id="6455" name="6455">제너레이티브 디자인은 메타 추론 검색 알고리즘을 이용해 지정된 설계 시스템 내에서 고성능의 새로운 결과물을 탐색하기 위해 인공 지능을 설계 프로세스에 통합합니다. 이 프레임워크는 세 가지 주요 요소에 의존합니다. 1) 가능한 설계 솔루션의 '설계 공간'을 정의하는 제너레이티브 형상 모델, 2) 설계 문제의 목표 또는 목적을 정의하는 일련의 측정치 또는 지표, 3) 설계 공간을 통해 검색하여 명시된 목표를 바탕으로 다양한 고성능 설계 옵션을 찾는 발생적 알고리즘과 같은 메타 추론 검색 알고리즘이 그것입니다.</p>
<p id="5b7e" name="5b7e">GD(제너레이티브 디자인)는 더 넓은 에코시스템에 속합니다. GD 앞에는 'GD 이전(pre-GD)' 단계가 있고, GD 다음에는 'GD 이후(post-GD)' 단계가 이어집니다.</p>
<p><figure role="group" class="align-center">
<img alt="Generative design for architecture workflow." data-entity-type="file" data-entity-uuid="ccd46c66-1399-41df-aa78-15223372ebdf" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_r48PzDk3EYZdYQ2jU8nvMw.jpeg" />
<figcaption>건축을 위한 제너레이티브 디자인 워크플로우.</figcaption>
</figure>
</p>
<h3 id="422a" name="422a">GD 이전</h3>
<p name="422a" id="422a">GD 이전(pre-GD) 단계에서는 관계자와 긴밀하게 협력하면서, 제너레이티브 모델과 평가 구성요소에 정보를 제공하기 위해 프로젝트에 대한 고유하고 중요한 데이터를 수집합니다.</p>
<h3 id="4512" name="4512">데이터 수집: 요구사항 및 구속조건</h3>
<p name="4512" id="4512">첫 번째 단계는 데이터 수집입니다. 우리는 프로그램 SQF 요구사항과 이에 대한 상대 인접 요소 및 위치 기본 설정에 대한 정보를 수집했습니다.</p>
<p><figure role="group" class="align-center">
<img alt="AU booths and pavilions adjacency matrix." data-entity-type="file" data-entity-uuid="7628285e-b1c3-45c3-90e5-ad0a10bcee70" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_QWFG0R8DNp93ExIH5LhiUw.jpeg" />
<figcaption>AU 부스 및 파빌리온 인접 매트릭스</figcaption>
</figure>
</p>
<p name="2b18" id="2b18">수집된 구속조건은 다음과 같습니다.</p>
<ul>
<li id="9233" name="9233">설계 구속조건 - 키노트 홀의 주요 액세스 지점 옆에 전체 오토데스크 파빌리온의 일부를 배치합니다.</li>
<li id="b7d7" name="b7d7">사전 구속조건 - 전시관 경계, 기둥 위치, 출구 영역 및 중앙 화장실.</li>
<li id="47e8" name="47e8">액세스 구속조건 - 주 공간의 액세스 및 출구를 위한 주요 고정 위치.</li>
</ul>
<p><figure role="group" class="align-center">
<img alt="AU Exhibit Hall site constraints." data-entity-type="file" data-entity-uuid="a92e6848-aeb2-41b1-8f1e-93c4b40e2d7d" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_mLd9heKVX8wMoWrmS1Fm2Q.jpeg" />
<figcaption>AU 전시관 부지 구속조건.</figcaption>
</figure>
</p>
<h3 name="16d6">목표 공식화</h3>
<p name="16d6" id="16d6">두 번째 단계는 목표 공식화입니다. 이해 관계자들과 함께 두 가지 설계 목표를 수립했습니다.</p>
<ul>
<li id="fb88" name="fb88">동선 밀집도(Buzz) - 활동량이 많은 영역의 양과 분포를 측정한 것으로, 통행량을 나타내는 다양한 두께의 빨간색 선으로 된 거미줄로 시각화합니다.</li>
<li id="a52e" name="a52e">노출 - 노출이 적음을 나타내는 흰색과 노출이 많음을 나타내는 빨간색을 사용해 흰색에서 빨간색으로 변하는 부스의 그라데이션 색상 코딩으로, 활동량이 많은 영역에 대한 부스의 근접도를 측정합니다.</li>
</ul>
<p name="dfbb" id="dfbb">앞서 설명한 것처럼 GD는 다음 세 가지 주요 요소로 구성됩니다. 1) 가능한 솔루션의 광범위한 설계 공간을 정의할 수 있는 제너레이티브 모델, 2) 지정된 설계 목표를 구성하는 평가 구성요소, 3) 설계 공간을 탐색하고 더 우수한 설계 솔루션을 생성할 수 있는 메타 추론 검색 알고리즘(이 예의 경우 GA)이 그것입니다.</p>
<p id="9c80" name="9c80"><strong>1) 생성 </strong><br />
우리의 형상 시스템은 도시 형태와 도시의 성장 방식에서 영감을 얻었습니다. 이 전략은 로마나 파리 같은 유럽 도시의 역사적인 지역과 유사한 불규칙한 배치에서부터 뉴욕시와 같은 보다 규칙적인 배치에 이르기까지 매우 다양한 옵션을 활용할 수 있기 때문에 유리합니다. 개발된 형상 시스템은 세분화 및 구획화 작업과 프로그램 할당 기술로 구분됩니다.</p>
<p id="07b6" name="07b6">1. 기하학적 구속조건과 제너레이티브 디자인을 적용하지 않는 영역을 정의합니다.</p>
<p id="fa2b" name="fa2b">2. 매크로 영역으로 전시관을 분할하는 세 개 이상의 주 통로를 생성합니다.</p>
<p id="acc2" name="acc2">3. 일련의 보조 통로가 주 통로에서 뻗어나와 각 매크로 영역을 두 하위 영역으로 분할합니다.</p>
<p id="b854" name="b854">4. 각 하위 영역은 다양한 방향의 그리드를 통해 셀로 세분화됩니다.</p>
<p id="7117" name="7117">5. 통로를 따라 ‘프로그램 시드’를 배치합니다.</p>
<p id="33d6" name="33d6">6. 상대적인 SQF 요구사항이 충족될 때까지 인접 셀을 결합하여 시드를 늘립니다.</p>
<p id="e0b9" name="e0b9">7. 나머지 셀을 표준 부스로 채웁니다.</p>
<p name="e0b9" id="e0b9"> </p>
<p><img alt="Geometry system." data-entity-type="file" data-entity-uuid="64046a31-9f02-449f-a0e6-22ed573eece9" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_GaCU6Jc23XNlX0zEcTzQjQ.jpeg" class="align-center" /><figure role="group" class="align-center">
<img alt="Geometry system." data-entity-type="file" data-entity-uuid="de64a744-d1db-4250-b11b-6faaa089bc96" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_n7lGnAlRO8NNThPew0y7RQ.jpeg" />
<figcaption>형상 시스템.</figcaption>
</figure>
</p>
<p name="e0b9" id="e0b9"> </p>
<p name="e0b9" id="e0b9"><strong>2) 평가 </strong><br />
자동화된 평가 구성요소를 통해 각 설계는 설정된 두 가지 지표에 따라 점수가 매겨집니다. 이러한 수치가 메타 추론 검색 알고리즘에서 고성능 설계를 발전시키고 시간이 지남에 따라 설계를 수행하고 학습하는 데 사용됩니다.</p>
<p><figure role="group" class="align-center">
<img alt="Design goals." data-entity-type="file" data-entity-uuid="deaf0951-3d49-4b6f-94c8-b263d6c06a04" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_DUgBa0AukZdYp0UzJKWUHA.jpeg" />
<figcaption>설계 목적.</figcaption>
</figure>
</p>
<p name="e0b9" id="e0b9"> </p>
<p name="e0b9" id="e0b9"><strong>3) 진화</strong><br />
이 프로젝트의 경우 3만 건이 넘는 설계가 생성되었습니다. 100건이 넘게 생성된 결과물을 320건의 설계 솔루션으로 곱한 숫자입니다. 아래 그림에서 볼 수 있는 것처럼, 진화적 구성요소는 고성능 설계의 여러 패밀리를 찾는 방법으로 입력을 제어하는 방법을 학습했습니다.</p>
<p name="e0b9" id="e0b9"> </p>
<p><figure role="group" class="align-center">
<img alt="Design evolution." data-entity-type="file" data-entity-uuid="dff54fdf-b798-499e-95f9-702690800cc8" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_2Xhcs0Z66s5D6BMl57x2tA.jpeg" />
<figcaption>설계의 진화.</figcaption>
</figure>
</p>
<p name="49cc" id="49cc"> </p>
<h3 id="49cc" name="49cc">GD 이후</h3>
<p name="49cc" id="49cc">GD 이후(post-GD) 단계에서는 인간이라는 구성요소가 중요해집니다. 설계자는 설계 공간 탐색 도구를 이용해 고성능 설계의 정면(파레토 정면)을 탐색하고, 지표 절충점을 탐색하고, 설계 옵션을 질적으로 판단할 수 있습니다.</p>
<p id="5fea" name="5fea"><strong>선택</strong><br />
고성능 설계의 특정 부분을 직접 검사하여 설계자와 주요 관계자가 소규모 후보 설계 세트를 함께 조정하고 수동으로 미세 조정할 수 있습니다.</p>
<p name="5fea" id="5fea"> </p>
<p><figure role="group" class="align-center">
<img alt="Design space navigation and selection." data-entity-type="file" data-entity-uuid="a0626725-f596-4789-86c4-11c7b76c5a21" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_7YY6mkd0cVkd3zf7RMtOyg.jpeg" />
<figcaption>설계 공간 탐색 및 선택</figcaption>
</figure>
</p>
<p name="5fea" id="5fea"> </p>
<p name="5fea" id="5fea"><strong>미세 조정</strong><br />
선택을 통해 검색을 소수의 설계로 제한하면 설계를 더욱 발전시키고 구속조건과 요구사항을 충족시키기 위해 수동 미세 조정이 수행됩니다. 우리의 경우, GD 이후 설계 기능으로 통행량이 많은 경로를 사용하여 길찾기를 지원할 수 있는 기본 순환 통로를 생성했습니다. 유사한 방식으로, 우리는 통행량이 많은 예상 경로를 사용하여 서로 다른 주요 오토데스크 파빌리온을 분할하여, 방문자를 주요 액세스 지점에서 각 산업 부스로 안내할 수 있도록 했습니다.</p>
<p><figure role="group" class="align-center">
<img alt="Three manually refined high-performing designs." data-entity-type="file" data-entity-uuid="e5f0a833-8033-43a5-9617-8071d2bc91b3" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_vtEeLoQHuJxtIZZ_pYR7Cw.jpeg" />
<figcaption>수작업으로 미세 조정을 진행한 고성능 설계 3점.</figcaption>
</figure>
</p>
<h3 id="c5d2" name="c5d2">결론</h3>
<p id="79f6" name="79f6">건축을 위한 제너레이티브 디자인은 사람과 컴퓨터가 공동 설계를 수행하는 대신 예기치 않은 새로운 설계를 발견하고 고성능 설계, 스케치 구속조건 및 목표 간에 상호 절충점을 탐색할 수 있도록 하는 새로운 설계 방법입니다. 이러한 방법론을 통해 설계자와 고객 간의 협업 노력을 효율화하는 동시에 설계자와 엔지니어를 위해 인공 지능의 창의력을 활용함으로써 건축에 대해 생각하고, 제작하고, 생산할 수 있는 새로운 방법을 도입하고 있습니다.</p>
<p name="79f6" id="79f6"> </p>
<p><figure role="group" class="align-center">
<img alt="Final design." data-entity-type="file" data-entity-uuid="3a4061d4-f22a-4506-9187-591e04aed377" src="https://static.au-uw2-prd.autodesk.com/legacy-article-images/node-663-1_s5yLySu8xIlxP7dZZVjhyg.jpeg" />
<figcaption>최종 설계.</figcaption>
</figure>
</p>
<p name="0359" id="0359"><em>Lorenzo Villaggi는 오토데스크 스튜디오 The Living의 디자이너 겸 연구자입니다. 그의 작업은 제너레이티브 디자인, 신소재 및 새로운 형태의 시각화에 초점을 맞추고 있습니다. 최근에는 공간 계획 문제에 대한 공간 분할 기술과 건축용 제너레이티브 디자인 워크플로우를 위한 공간 경험의 계량화 방안을 탐색하고 있습니다. Lorenzo는 컬럼비아 대학의 건축, 계획 수립 및 보존 대학원에서 건축 석사 학위를 취득하고, 대학원 세미나를 가르쳤으며 Politecnico di Milano에서 건축 학사 학위를 받았습니다. 그는 MaRS의 새로운 오토데스크 사무소와 Princeton 캠퍼스의 Implemented Computation 연구소 등 여러 건축 프로젝트에 참여해 왔습니다. 그의 작품은 시카고 비엔날레, 다보스 세계리더십 포럼, 밀란 디자인 위크, MoMA 및 New Museum을 비롯한 국제적으로 유명한 장소에서 전시되었습니다. Lorenzo는 뉴욕시에 거주하면서 활동을 펼치고 있습니다. </em></p>
<p><em>Danil Nagy는 뉴욕시에 있는 Autodesk Research 내 The Living 그룹의 수석 설계자 겸 수석 연구 과학자입니다. 그의 작업과 연구는 컴퓨팅 설계, 제너레이티브 형상, 고급 제작, 머신 러닝 및 데이터 시각화에 초점을 맞추고 있습니다. Danil은 뉴욕 퀸즈에 있는 MoMA PS1 중정의 Hy-Fi 설치 프로젝트 매니저였으며 Bionic Partition 프로젝트를 포함하여 오토데스크와 Airbus 간의 장기적인 협업에 설계 책임자로 참여했습니다. Danil은 Design Modelling Symposium, Biofabricate, Teconomy:Bio, SIGGRAPH 등 다양한 컨퍼런스 및 장소에서 연설하고 작품을 발표했습니다.</em></p>


</div>

    </div>
  </div>


  </div>



2lLS3XzAZRCQcIXar9HGqW-AU%202017%20Exhibit%20Hall.jpg

건축 공간 계획을 위한 제너레이티브 디자인                           

제품 설계 및 제조

제조 프로세스

4PeFj5sOnQddcrJSc5akcQ-image.jpg

Education administrator, Teacher/faculty, Student, Industrial Designer; Product Users; Computational Design, Generative Design, Automotive and Industrial Design, 3D Printing, Design Visualization

제너레이티브 디자인이 제품디자인과 조형 연구에 사용되는 과정과 결과를 알아볼 수 있습니다.

제너레이티브 디자인을 이용한 제품 디자인과 조형 발상

산업 데모

Virtual

xOTXxVkWvGh222D46fe8T-20238530-9BF0-4EC7-B3E1-20C40D276454.jpeg

Discover how the field of construction is well placed to benefit from the advent of machine learning and artificial intelligence (AI). 