有人说，土木工程师是最古老的职业之一，这不无道理。从人类诞生之初，我们就需要遮风避雨的房子。而许许多多惊人的建筑也在人类历史上留下了不可磨灭的印记。
【资料图】
如今，随着全球城市的飞速发展，越来越多高楼拔地而起。同时，随着工程学的发展，我们对建筑结构和设计的认识也在不断更新。从前，我们的祖先甚至不知道力学是什么，仅凭着经验不断探索，到现在，我们有了先进的理论和技术的双重支持，开始挑战越来越高、越来越复杂的建筑，装饰着都市的天际线。
在这个发展过程中，同时出现了很多有趣的交叉领域，比如将人工智能（AI）应用在结构设计中也成了一大趋势。AI可以帮助建筑师和工程师减轻工作负担，更高效地完成工作。
近日，清华大学土木工程系教授、2019年“科学探索奖”交通建筑领域获奖人陆新征带领团队开发出了一个物理增强的生成式对抗网络StructGAN-PHY，并将它应用在了结构设计上。
研究团队将一个物理评估器引入了生成式对抗网络，其主要功能则是对建筑结构的力学性能进行评估，从而创造了这个“懂力学”的独特AI。这不仅能带来更完备的设计方案，还能大大加速设计流程，甚至比一位合格的工程师要快90倍。研究论文已发表在Earthquake Engineering & Structural Dynamics（《地震工程与结构动力学》）上。
训练AI
AI和传统编程的最大区别在于，我们不必为AI人为地设定很多规则，反而可以让它“自由发挥”，从而找到最优的解决方案。这个过程往往会带来许多惊喜，这也是AI的魅力所在。
所有AI都离不开一个被称为训练的过程。用一些AI专家的话说，和传统编程相比，训练AI更像“教学生”。我们要做的就是给它提供一些数据集，也就是一些已有案例的“素材库”，然后用一些基本的指令告诉它目标是什么。接下来，把舞台交给它就行了。
AI通常会从“瞎蒙”开始，然后一次又一次地研究数据集，进行自我调整，从数据当中发掘规则和联系。在得当的训练下，AI有能力发现大量规则，而且大多都是程序员甚至任何人都不知道的。换句话说，AI完全可以自学并建立起一套属于自己的知识体系。
完成训练的AI就像一名胸有成竹的学霸。它随后可以将这些所学迅速应用到具体的场景中，根据从未见过的新数据，得到相应的答案。
而这一切都是由数据驱动的。要知道，能够对话的AI并非真正理解人类的语言，能够识别猫咪照片的AI也并不是真的认识猫。相反，AI就是从海量试错中找出数据的规律，并加以应用。
这自然会带来一些问题。一个常被提起的“反面教材”是，一组计算机科学家本想训练一个识别皮肤癌照片的AI，结果却不小心得到了一个尺子AI。这是因为在提供的照片数据集里，肿瘤旁边都出现一把测量大小的比例尺。
一个AI“指鹿为马”或许问题不大，然而对于建筑结构设计这样更专业的工作来说，后果可能会变得十分严重。尤其是，如果训练所用的数据质量或数量不理想，问题可能更严峻。
举个简单的例子，结构中有一类被称为剪力墙的结构，它主要负责它主要负责承担建筑受到的竖向力和水平力作用，防止建筑破坏，比如经受大风的洗礼，或者承受地震晃动带来的力。如果设计方案中剪力墙布置数量过少，自然会带来不可忽视的安全隐患；而设计的剪力墙数量过多，则影响室内使用空间且不经济。
因此，想要设计出足够安全和经济合理的建筑结构，不仅要遵循最基本的力学原理，还受限于更严格的建筑结构设计规范要求。而AI很多时候无法仅仅依靠数据来应对这一切。
这种情况下，我们不得不让它“学”一些必要的力学知识。这也是陆新征教授和他的团队努力的方向。
数据驱动的生成式对抗网络
新研究开发的StructGAN-PHY包括几个关键的部分。其中一个核心组成被称为生成式对抗网络（GAN）。
GAN是一种相对比较新的AI类型，它名字中的“对抗”恰到好处地体现了这类AI的特色。
GAN实际上包含了两个神经网络，也就是两套同时运行的算法，分别被称为生成器（G）和判别器（D）。在训练中，它们就像一对彼此过招的兄弟，从一次次交手中互相学习，共同进步。
生成器负责仔细观察并模仿输入的数据集，从中寻找规则，由此生成自己的“作品”。判别器则负责给生成器“打分”，它需要判断生成器得到的结果和真实数据之间的区别，从而进行判断。
换句话说，GAN既是运动员又是裁判。它们最终共同的目标就是将生成器训练成一个高效输出、作品出众的“大师”。
GAN的训练过程图示。
在这项研究中，团队从中国10多家著名建筑和结构设计院，收集了约150套建筑和结构图，还有相应的设计条件。其中，17组数据包括了详细的结构设计模型。这些数据在预处理后成为训练的数据集。
训练一开始，生成器和判别器都像一张白纸，生成器也许只会“简单涂鸦”，而它生成只有一点儿相像的图纸或许都能骗过判别器的眼睛。但通过训练和不断试错，它们最终累积了足够的经验。生成器画出的剪力墙设计图越来越“像样”，判别器的判断能力也日益精进。
但正如前面所说，GAN是数据驱动的产物。对于这个能设计剪力墙的AI来说，它并不懂什么是剪力墙，不清楚建筑标准，甚至对物理学原理都一无所知。它所做的就是从数据中探索规律和模式。
但这显然不够。
物理驱动的物理评估器
这就说到了研究中的第二个关键部分，也是这项研究的关键创新突破之处，被称为物理评估器。
为了让这个AI做出更完善的设计，团队希望“教”它一些必要的物理知识。或者更准确地说，他们至少需要在训练中引入一种方法，来直接地告诉生成器，它生成的设计方案从物理角度来看够不够好。
研究人员根据先前的累积，开发了一个被称为力学性能计算器的模块。我们可以这么理解，这个计算器就像一位考官，它在拿到一张结构设计图后，可以快速地根据结构平面布置，分析并计算出相应的力学参数，也就是一些控制指标。这就像给每张设计图打出了一个对应的分数。
在研究中，作者选用了层间位移角作为力学控制指标举例。
物理评估器的训练过程图示。
这样一来，我们仍旧是通过训练，把一张设计图，和它对应的“分数”（标签），一起交给物理评估器，让它能学会从力学的角度评估结构设计。
但训练仅仅是其中一部分。研究中还有一个棘手的问题是，科学家必须让这个评估体系和GAN“无缝衔接”。换句话说，我们要把这些评估用一种GAN“听得懂”的语言告诉它。
陆教授和他的团队采用了一种巧妙的做法，他们找到了一种深度神经网络来构造代理模型。可以这么理解，这种代理模型能把评估结果相对准确地“翻译”给GAN。在对比了不同神经网络的性能后，一个名为ResNet18（残差网络）的神经网络成了合格的“翻译官”。
经过训练的ResNet18代替力学模型，成了一个物理评估器，它被嵌入GAN协同工作，共同参与训练。GAN的判别器负责优化图像生成质量，而物理评估器则负责优化设计的力学性能。
StructGAN-PHY的训练过程图示。
经过努力，团队终于得到了这种物理增强的剪力墙结构智能化设计方法，也就是完整的StructGAN-PHY模型。
物理-数据耦合驱动
经过训练的生成器已经学有所成。它就像一位真正的结构工程师，可以根据必要的输入信息，比如建筑图和设计条件，生成相应的结构设计图，同时满足物理设计要求。
StructGAN-PHY的应用过程图示。
研究中，团队同时进行了案例分析，借助各种设计条件考验这个模型的能力。
结果发现，这种提出的物理增强的GAN可以从建筑图和指定的设计条件生成剪力墙的结构设计，给出的方案往往更接近工程师的设计，明显优于仅由数据驱动的设计。
尤其是在缺乏相应结构设计数据时，这种物理增强的方法仍然可以有效地完成训练。即使数据量比较少，它也能明显提升设计的力学性能。
StructGAN-PHY的典型案例分析结果。从上图可以看出，物理增强的设计更接近工程师的方案，但数据驱动的设计却明显缺少墙体配置。此外，根据层间位移角的衡量，数据驱动的设计也得到了超出规范限值的结果。
整体而言，StrutGAN-PHY相比于仅仅由数据驱动的设计方法要好44%。它的效率同样惊人，初步评估甚至比一位合格的工程师快接近90倍。
计算机与人的结合
虽然这种引入了力学的AI表现出了巨大的潜力，但研究人员表示，它主要被推荐用于初步设计阶段，还需要进一步加工处理，比如基于它进一步绘制出更详尽的设计，然后才能真正作为完整的结构设计成果使用。此外，这种智能设计过程中可能出现的误差仍然需要人工把关和检查。
未来，将StructGAN-PHY和更多种的AI算法相结合，或许能让AI更“懂”力学，更进一步带来复杂力学约束，还可以进一步优化这些生成的初步设计。
#创作团队：
撰文：微信公众号《原理》
审校：陆新征，清华大学土木工程系教授，2019年“科学探索奖”交通建筑领域获奖人
#参考来源：
https://onlinelibrary.wiley.com/doi/abs/10.1002/eqe.3632
https://mp.weixin.qq.com/s/qWXS10RWb4tCL1Sg3X2Vcg
[美] 贾内尔·沙内，《你看起来好像……我爱你：AI的工作原理以及它为这个世界带来的稀奇古怪》，中信出版·鹦鹉螺，2021年4月
#图片来源：
封面图：Pxhere
首图：Pxhere
关键词： 让AI设计房子先学力学 人工智能 神经网络
营业执照公示信息