本研究的啟發來自人工智慧與機器學習演算法技術在當代社會的普及與重要性。在可見的未來，此種藉由統計科學為基礎的程序決策方式或將成為掌握社會發展的關鍵技術，而在建築設計領域勢必也與其緊密相關。本研究藉由整理「機器學習」技術從1950年代以來在科技與文化上的概略發展歷程，思考其成為建築數位設計工具的潛力與未來趨勢，試圖了解其與近代參數化建築設計的關聯，針對不同的機器學習演算法試執行數個實驗性的小設計並加以整理，最後藉由一個真實基地嘗試處理真實設計議題與建築量體的規劃。
　　本研究由三個部分所組成，首先整理機器學習在近代建築與藝術設計交互影響下的發展歷程、常見演算法簡介、Rhino與Grasshopper平台上的插件整理、以及整理相關的設計應用案例。第二部分聚焦在Rhino與Grasshopper平台上現存的機器學習插件功能：Back-Propagation、SOM、CPPN、K-Means演算法等為基礎下，以多個設計案例探索此技術在建築設計應用上的可能性。最後歸納出幾個常見的設計應用方向：擬和曲面、預測資料、形態找尋、無監督分群、與資料拓樸。第三部分藉由前部分的研究歸納出幾個可行的演算流程，並且真實應用在真實基地與設計議題上—基於機器學習演算法應用於都市噪音之的分析與初步建築量體設計。
　　藉由本研究在機器學習領域的整理與應用探討，可以初步了解到此技術在建築設計的發展近況與應用方向；並且在應用實作的過程中，藉由不同參數的設定與程序的設計，了解設計者的主觀意識如何介入設計流程，以達到人機協作的的效果。希望本研究可供後續相關研究者參考，延續發展出更多藉由機器學習與資料處理方式在設計中運用的可能性；並且利用參數化設計發展數位設計，除了生產更多不同的建築樣式之外，同時也能夠處理更多實際議題。

This research approach is derived from artificial intelligence and machine learning, which is a kind of computational technology that has been widely used and profoundly discussed in modern society. In the foreseeable future, such a procedure-based decision-making method through statistical science may become a key technology to social development where the realm of architectural design will be inevitably involved. In this research, the “machine learning” technology is based on consolidating the overall technical and cultural development since the 1950s to study current development status and future trends of the building-related digital design tools and to understand its impact on the digital-based architectural design in modern days. In this regard, several smaller-scale experimental designs and summarizations are conducted with different types of machine-learning algorithms. Finally, a physical base subject is established to deal with real issues and execute the overall architectural planning. 
This research is composed of three portions. The first portion deals with the summarization of the development process of machine learning under the interaction of modern architectural and artistic design, the introduction of algorithms normally used, the plug-in processing for the Rhino-Grasshopper Platform and the consolidation of historical application cases for the front-end design. The second portion is focusing on the machine learning plug-in functions (Backpropagation, SOM, CPPN, K-means Algorithm) being used by the Rhino-Grasshopper Platform nowadays. As such, several smaller-scale design cases are based to study the possibility of applying such technology in the architectural design to conclude the following design application approaches normally seen and they are fitting curve, data forecasting, pattern searching, unsupervised groups, and information topology. In the third portion, the aforesaid study is based to obtain several practical computation processes for applying in the physical base and issues, i.e. “Preliminary Testing for Urban Analysis and Design in Applying Machine Learning-Based Computation Method in Urban Noise - Taking Danshui Area as an Example.”
Through the summarization and the application study of the machine learning realm that has been conducted in this research, we will be able to understand current development status and application direction by applying such kind of technology in the architectural design. With different parameters and procedures, we can even know how the designer will apply his subjective consciousness in the design process to achieve a harmonic relationship between people and machines. It is hoped that this research will provide a referential basis for the subsequent researchers to develop more processing methods through machine learning so that they can be used in the design. In the meantime, the parameter-based design will also be based to develop the digital-based design so that more physical issues can be processed in addition to presenting other types of architectural patterns.

目錄

目錄	I
圖目錄	VI
第一章 緒論	1
1.1. 研究動機	1
1.1.1. 工程理性與建築感性	1
1.1.2. 當經典科幻預言成為近未來	2
1.1.3. 大數據技術用於藝術的嘗試	3
1.1.4. 建築師角色的轉變	4
1.1.5. 第二次數位轉型時代下的參數化意義	5
1.2. 研究目的	6
1.2.1. 新設計途徑的探索	6
1.2.2. 預測與多價值權衡的設計	7
1.2.3. 無監督學習的設計嘗試	7
1.2.4. 適應環境的新方法	8
1.2.5. 探討人工智慧與建築師的新合作模式	9
第二章 相關文獻	10
2.1. 機器學習簡史	10
2.1.1. 重要紀年	10
2.1.2. 從對人工智慧的想像到專注於機器學習	10
2.1.3. 歷史第一次出現類神經網絡	11
2.1.4. 機器學習的第一次浪潮：類神經網路	12
2.1.5. 機器學習的第二波浪潮：淺層機器學習	12
2.1.6. 機器學習的發展停滯與深度學習復興	13
2.1.7. 深度學習的近期發展	13
2.2. 機器學習的應用方式	15
2.2.1. 監督式學習	15
2.2.2. 非監督式學習	16
2.2.3. 半監督式學習	16
2.2.4. 強化式學習	17
2.2.5. 機器學習方案的流程	18
2.3. 機器學習演算法流派分類與簡介	19
2.3.1. 專家系統	22
2.3.2. 遺傳編程	22
2.3.3. 樸素貝葉斯定理	23
2.3.4. 支持向量機	24
2.3.5. 自組織映射	24
2.3.6. 高斯混和模型	25
2.3.7. 受限玻爾茲曼機(RBM)	26
2.3.8. 卷積神經網絡（CNN）	26
2.3.9. 循環神經網絡（RNN）	27
2.3.10. 生成式對抗網絡（GAN）	28
2.4. Grasshopper機器學習插件彙整	29
2.4.1. Plug-In_01：Lunchboxml	30
2.4.2. Plug-In_02：Owl	33
2.4.3. Plug-In_03：Crow	34
2.4.4. Plug-In_04：Dodo	35
2.4.5. Plug-In_05：Ant	36
2.4.6. Plug-In_06：Octopus	37
2.5. 機器學習設計案例	38
2.5.1. Ai + Architecture – Towards A New Approach	38
2.5.2. Metabolism(S): Flexibility In the Century	41
2.5.3. Embodied Computation Lab	44
2.5.4. Tsukuba Express-Ashiwanoha-Campus Station	46
2.5.5. Church of Ai	49
2.5.6. The Chair Project	52
2.5.7. Neural Zoo	54
2.6. 小結：機器學習在建築學	56
第三章 演算法測試與設計	57
3.1 潘東椅再造—曲面擬合	58
3.1.1設計簡述	58
3.1.2參數研究流程圖	59
3.1.3參數紀錄	61
3.2 柱式生成—自組織生成	67
3.2.1設計簡述	67
3.2.2控制參數	67
3.2.3參數控制流程：	68
3.3 牆面生成—涵構映射	70
3.3.1設計簡述	70
3.4 涼亭生成—場線形式	73
3.4.1設計簡述	73
3-5 地景生成—多目標控制	78
3.5.1設計簡述	78
3.5.2控制參數	79
3.5.3參數控制流程	79
3.6 都市分類—無監督分析	83
3.6.1設計簡述	83
3.6.2 變因階段一　基本參數組合	85
3.6.3變因階段二　權重參數組合	89
3.6.4變因階段三　增加分群數	93
3.7 拓樸曲面—人機協作	97
3.7.1設計簡述	97
3-8 小結	99
3.8.1 案例使用之演算法整理	99
3.8.2 演算法選擇之建議	100
第四章 初步分析之應用	102
4.1 分析概述與基地	103
4.1.1 分析目的	103
4.1.2 基地現況	103
4.1.3機器學習應用的適切性	104
4.1.4 資料取樣選擇	104
4.2 演算法介紹	105
4.2.1 使用演算法與插件	105
4.2.2 初步測試模型	105
4.2.3 演算法架構	106
4.2.4 演算法細部(取樣點、建築物與噪音源之關係)	107
4.2.5 演算法細部(取樣點、樹木群與噪音源之關係)	108
4.3 演算法整體結果與參數調整	111
4.3.1 整體結果	111
4.3.2 輸入輸出調整過程	113
4-3-3 參數調整過程	115
4-4 小結	116
第五章 初步設計	117
5-1 都市噪音與街區規劃	118
5-1-1 設計目的	118
5-1-2 設計概念與流程	118
5-2 操作過程	121
5.2.1生態隔音牆的置入與演算	121
5.2.2 舖面網格設計	124
5.2.3 初步量體演算	125
5-3設計統整	129
第六章 結論與建議	131
6-1 機器學習演算法研究之回顧與建議	131
6.1.1 機器學習演算法的種類與潛力	131
6.1.2 多目標權衡的嘗試	131
6.2 後續研究建議	132
6.2.1 機器學習應用的限制與解決方案	132
6.2.2 機器學習對於設計的影響	132
附錄 參考資料	134



 
圖目錄
圖 一 1  AKIRA (1988)、Blade Runner (1982)	2
圖 一 2 池田亮司 (2019)、Laurie Frick (2010-2012)	3
圖 一 3 Andrea Palladio (1570)、The Crystal Palace (1851)	4
圖 一 4 Archaeology of the Digital、Archaeology of the Digital	5
圖 一 5 伊東豊雄TOD's、Ａutodesk reamcatcher	8
圖 一 6 Quadcopter and flying squirrel	9
圖 二 1 Stochastic Neural Analog Reinforcement Calculator	11
圖 二 2 反向傳遞法中的梯度消失問題	13
圖 二 3 AI圍棋程式「AlphaGo」、kaggle社群的機器學習準確率比賽	14
圖 二 5 監督式學習	15
圖 二 6 非監督式學	16
圖 二 7 運用強化學習讓電腦進行馬力歐遊戲	17
圖 二 8 機器學習—工作現場的評估、導入與實作	18
圖 二 9 The Master Algorithm(2015)、Dartmouth Conferences(1955)	19
圖 二 10  The 5 Tribes of the ML world	21
圖 二 11 支持向量機、自組織映射	24
圖 二 12 高斯混和模型	25
圖 二 13 受限波爾茲曼機、卷積神經網絡	26
圖 二 14生成對抗網路	28
圖 二 15 Lunchboxml、Owl、Crow、Dodo、Ant、Octopus	29
圖 二 16 GaussianMixture-3D、GaussianMixture-5D-SchoolOfFish	30
圖 二 17 LBML_NeuralNetwork-SpacePrediction	31
圖 二 18 LBML_NaiveBase-Façade Type	32
圖 二 19 OWL Example	33
圖 二 20 Crow Example	34
圖 二 21 Dodo Example	35
圖 二 22 ANT Exampl	36
圖 二 23 OCTOPUS Example	37
圖 二 24 學習-設計系統流程	38
圖 二 25 平面圖生產器、風格轉換	39
圖 二 26 局部平面、模型照片	40
圖 二 27 AI + Architecture	40
圖 二 28 平面圖	40
圖 二 29 概念圖	41
圖 二 30 空間活動排佈研究	42
圖 二 31 會議空間排佈研究	43
圖 二 32 平面與剖面對照圖	43
圖 二 33 木紋立面	44
圖 二 34 機器識別木節	45
圖 二 35 木紋磨砂加工	45
圖 二 36 Embodied Computation Lab	45
圖 二 37 Tsukuba Express-Ashiwanoha-Campus Station	46
圖 二 38 設計系統流程	47
圖 二 39 形態找尋流程	48
圖 二 40 Church of Ai	49
圖 二 41 效果圖	51
圖 二 42 立面圖	51
圖 二 43 The Chair Project	52
圖 二 44 設計過程	53
圖 二 45 prototype	53
圖 二 46 NEURAL ZOO	54
圖 二 47 NEURAL ZOO	55
圖 三 1 Panton Chair	58
圖 三 2 學習結果顯示：	59
圖 三 3 參數流程圖	60
圖 三 4 取樣點與測試點示意圖	61
圖 三 5 學習參數A	62
圖 三 6 學習參數B	63
圖 三 7 學習參數C	64
圖 三 8 變因階段三	65
圖 三 9 變因階段四	66
圖 三 10 自組織映射	67
圖 三 11 操作示意圖	68
圖 三 12 設計結果、參數與評價	69
圖 三 13 輸入輸出因子示意圖	71
圖 三 14 設計結果與分析	72
圖 三 15 CPPN使用函數、場線示意圖	73
圖 三 16 設計架構	78
圖 三 17 單一曲線地景構造	80
圖 三 18 雙曲線單輸出因子地景	81
圖 三 19 單曲線多輸出因子地景構造	82
圖 三 20 原始隨機都市模型	83
圖 三 21 參數控制流程	84
圖 三 22 基本曲面生成	97
圖 四 1 測試模型比較	105
圖 四 2演算法架構圖	106
圖 四 3 演算法1示意圖	107
圖 四 4 演算法2示意圖	108
圖 四 5 演算法一 (取樣點、建築物與噪音源之關係)	109
圖 四 6 演算法二 (取樣點、樹木群與噪音源之關係)	109
圖 四 7 運算結果顯示	111
圖 四 8 噪音體感形容指標	112
圖 四 9 顯示色相	112
圖 四 10 案例一	114
圖 四 11 案例二	114
圖 四 12 案例三	114
圖 四 13 案例四	114
圖 五 1 基地調整前	118
圖 五 2 基地調整後	118
圖 五 3 操作步驟示意圖	119
圖 五 4 隔音牆參數	121
圖 五 5 綠化隔音牆	121
圖 五 6 隔音牆演算法	122
圖 五 7 原始環境	123
圖 五 8 最佳方案	123
圖 五 9方案過程1	123
圖 五 10 舖面演算	124
圖 五 11 舖面網路演算法	124
圖 五 12 Galpagos運算器	125
圖 五 13 量體排佈示意圖	125
圖 五 14 噪音分佈圖	125
圖 五 15 最佳量體排怖	125
圖 五 16 初步量體演算法	126
圖 五 17 設計統整版面	129
圖 五 18 設計爆炸圖	130

1.	台灣建築雜誌Vol.282 ,白千勺《前人機共創時代,從AADRL到ZH CODE》
2.	台灣建築雜誌Vol.123, 特別策劃：生物機械‧自然科幻─渡邊  誠
3.	《機器學習—工作現場的評估、導入與實作》, 有賀康顕,
4.	《應用類神經網路》,葉怡成,儒林圖書公司,2001修訂三版
5.	《The Master Algorithm(大演算)》,Pedro Domingos 
6.	《NEURAL-NETWORK-ZOO》,Fjodor Van Veen ,http://www.asimovinstitute.org/neural-network-zoo/
7.	Chaillou, Stanislas. “AI + Architecture | Towards a New Approach.” Harvard University, 2019.
8.	THE CHURCH OF AI An examination of architecture in a posthuman design ecology
9.	Autodesk dreamcatcher計畫： https://autodeskresearch.com/projects/dreamcatcher
10.	Tedtalk—The incredible inventions of intuitive AI ,Maurice Conti
11.	Arch Mac：https://medium.com/designscience/1973-a1b835e87d1c
12.	https://medium.com/designscience/1973-a1b835e87d1c
13.	https://www.stockfeel.com.tw/類神經網路的復興：深度學習簡史/
14.	https://www.bbc.com/timelines/zypd97h
15.	https://www.leiphone.com/news/201601/qXo5EaNlM0Lt4CyR.html
16.	https://blogs.nvidia.com.tw/2018/09/supervised-unsupervised-learning/
17.	https://www.itread01.com/content/1544663008.html
18.	https://provingground.io/
19.	https://parametricismcouk.wordpress.com/
20.	https://www.food4rhino.com/
21.	https://www.jamleecute.com/regularized-regression-ridge-lasso-elastic/
22.	http://www.felbrich.com/projects/Crow/Crow.html
23.	https://medium.com/@sfjchaillou
24.	http://stanislaschaillou.com/citx/
25.	https://surrealismtoday.com/sofia-crespo-neural-zoo/
26.	https://danilnagy.com/portfolio/embodied-computation-lab/
27.	https://www.makoto-architect.com/
28.	https://thearchiologist.com/student/wang-sanche
29.	ttps://steffen-weiss.design/the-chair-project-generating-a-classic