Diseño generativo

El diseño generativo es un proceso de diseño iterativo que utiliza software para generar resultados que cumplen con un conjunto de restricciones ajustadas iterativamente por un diseñador. Ya sea un humano, un programa de prueba o una inteligencia artificial , el diseñador refina algorítmicamente o manualmente la región factible de las entradas y salidas del programa con cada iteración para cumplir con los requisitos de diseño en constante evolución. ^{[ 1 ]} Al emplear la capacidad de computación para evaluar más permutaciones de diseño de las que un humano por sí solo puede, el proceso es capaz de producir un diseño óptimo que imita el enfoque evolutivo de la naturaleza hacia el diseño a través de la variación y selección genética . El resultado puede ser imágenes, sonidos, modelos arquitectónicos , animaciones y mucho más. Por lo tanto, es un método rápido para explorar posibilidades de diseño que se utiliza en diversos campos del diseño, como el arte , la arquitectura , el diseño de comunicación y el diseño de productos . ^{[ 2 ]}

El diseño generativo ha cobrado mayor importancia, principalmente debido a los nuevos entornos de programación y las capacidades de scripting que han facilitado la implementación de ideas, incluso para diseñadores con poca experiencia en programación. ^{[ 3 ]} Además, este proceso puede crear soluciones a problemas sustancialmente complejos que, de otro modo, requerirían un gran consumo de recursos con un enfoque alternativo, lo que lo convierte en una opción más atractiva para problemas con un conjunto de soluciones amplio o desconocido. ^{[ 4 ]} También se ve facilitado por las herramientas incluidas en los paquetes CAD disponibles comercialmente . ^{[ 5 ]} No solo son más accesibles las herramientas de implementación, sino también las que aprovechan el diseño generativo como base. ^{[ 6 ]}

Los avances recientes han propiciado el desarrollo del Diseño Generativo Profundo, un marco que integra la optimización topológica con modelos de aprendizaje profundo, como las Redes Generativas Antagónicas (GAN). A diferencia de los métodos evolutivos tradicionales, que se centran principalmente en el rendimiento de la ingeniería, este enfoque utiliza modelos generativos profundos para mejorar la diversidad estética y la novedad, al tiempo que satisface las restricciones de ingeniería. Por ejemplo, la investigación de Oh et al. (2019) propuso un marco que utiliza GAN de Equilibrio de Límites (BEGAN) para generar diversas opciones de diseño que luego se refinan mediante la optimización topológica basada en la densidad, lo que permite explorar espacios de diseño complejos que equilibran la integridad estructural con la variación visual. ^{[ 7 ]}

En la práctica, el diseño generativo no solo busca producir una única solución óptima, sino que implica refinar iterativamente el problema de diseño modificando parámetros, restricciones y criterios de evaluación dentro de un modelo computacional, lo que da como resultado múltiples alternativas de diseño entre las cuales el diseñador selecciona. ^{[ 8 ]}

El diseño generativo en arquitectura es un proceso de diseño iterativo que permite a los arquitectos explorar un espacio de soluciones más amplio con mayor posibilidad y creatividad . ^{[ 9 ]} El diseño arquitectónico se ha considerado durante mucho tiempo un problema complejo . ^{[ 10 ]} En comparación con el enfoque de diseño tradicional de arriba hacia abajo, el diseño generativo puede abordar los problemas de diseño de manera eficiente, utilizando un paradigma de abajo hacia arriba que emplea reglas definidas paramétricamente para generar soluciones complejas. La solución en sí misma evoluciona hacia una buena solución, si no óptima. ^{[ 11 ]} La ventaja de utilizar el diseño generativo como herramienta de diseño es que no construye geometrías fijas, sino que toma un conjunto de reglas de diseño que pueden generar un conjunto infinito de posibles soluciones de diseño. Las soluciones de diseño generadas pueden ser más sensibles, receptivas y adaptables al problema.

El diseño generativo implica la definición de reglas y el análisis de resultados que se integran con el proceso de diseño. ^{[ 12 ]} Al definir parámetros y reglas, el enfoque generativo puede proporcionar una solución optimizada tanto para la estabilidad estructural como para la estética. Los posibles algoritmos de diseño incluyen autómatas celulares , gramática de formas , algoritmo genético , sintaxis espacial y, más recientemente, redes neuronales artificiales . Debido a la alta complejidad de la solución generada, se prefieren las herramientas computacionales basadas en reglas , como el método de elementos finitos y la optimización topológica , para evaluar y optimizar la solución generada. ^{[ 13 ]} El proceso iterativo proporcionado por el software informático permite el enfoque de ensayo y error en el diseño, e implica que los arquitectos intervengan en el proceso de optimización .

Históricamente, entre los trabajos precedentes se incluyen la Sagrada Familia de Antoni Gaudí , que utilizó formas geométricas basadas en reglas para las estructuras, ^{[ 14 ]} y la Biosfera de Montreal de Buckminster Fuller, donde las reglas se diseñaron para generar componentes individuales, en lugar del producto final. ^{[ 15 ]}

Entre los casos más recientes de diseño generativo se incluye el Gran Patio de la Reina Isabel II de Foster and Partners , donde el techo de vidrio teselado se diseñó utilizando un esquema geométrico para definir relaciones jerárquicas, y luego la solución generada se optimizó en función de los requisitos geométricos y estructurales. ^{[ 16 ]}

El diseño generativo en el diseño sostenible es un enfoque eficaz para abordar la eficiencia energética y el cambio climático en la etapa inicial del diseño, reconociendo que los edificios contribuyen a aproximadamente un tercio de las emisiones globales de gases de efecto invernadero y entre el 30 % y el 40 % del consumo total de energía de los edificios. ^{[ 17 ]} Integra principios ambientales con algoritmos, lo que permite explorar innumerables alternativas de diseño para mejorar el rendimiento energético, reducir la huella de carbono y minimizar los residuos.

Una característica clave del diseño generativo en el diseño sostenible es su capacidad para incorporar simulaciones de rendimiento de edificios (BPS) en el proceso de diseño. Programas de simulación como EnergyPlus, ^{[ 18 ]} Ladybug Tools, ^{[ 19 ]} y otros, combinados con algoritmos generativos, pueden optimizar las soluciones de diseño para un uso rentable de la energía y diseños de edificios con cero emisiones de carbono. Por ejemplo, el sistema GENE_ARCH utilizó un algoritmo de Pareto con simulación de energía de edificios ^{[ 20 ]} para la optimización del diseño de todo el edificio. ^{[ 21 ]} El diseño generativo ha mejorado el diseño de fachadas sostenibles, como lo ilustra el algoritmo de autómatas celulares y simulaciones de luz natural en el diseño adaptativo de fachadas. ^{[ 22 ]} Además, se utilizaron algoritmos genéticos con simulaciones de radiación para módulos fotovoltaicos (PV) energéticamente eficientes en fachadas de edificios de gran altura. ^{[ 23 ]} El diseño generativo también se aplica al análisis del ciclo de vida (ACV), como lo demuestra un marco que utiliza algoritmos de búsqueda en cuadrícula para optimizar el diseño de muros exteriores para un impacto ambiental mínimo. ^{[ 24 ]}

La optimización multiobjetivo abarca diversos objetivos de sostenibilidad, como las persianas cinéticas interactivas que utilizan biomímesis y simulaciones de luz natural para mejorar la iluminación natural, el confort visual y la eficiencia energética. ^{[ 25 ]} El estudio de los sistemas fotovoltaicos y de sombreado puede maximizar la electricidad in situ, mejorar la calidad visual y el rendimiento de la luz natural. ^{[ 26 ]}

La inteligencia artificial (IA) y el aprendizaje automático (AA) mejoran aún más la eficiencia computacional en el diseño sostenible complejo y sensible al clima. Un estudio empleó el aprendizaje por refuerzo para identificar la relación entre los parámetros de diseño y el uso de energía para un campus sostenible, ^{[ 27 ]} mientras que otros estudios probaron algoritmos híbridos, como el uso del algoritmo genético y las GAN para equilibrar la iluminación natural y el confort térmico bajo diferentes condiciones de techo. ^{[ 28 ]} También se integraron otras herramientas populares de IA, incluido el aprendizaje profundo por refuerzo (DRL) y la visión por computadora (VC), para generar una manzana urbana de acuerdo con las horas de luz solar directa y las ganancias de calor solar. ^{[ 29 ]} Estos métodos de diseño generativo impulsados ​​por IA permiten simulaciones y toma de decisiones de diseño más rápidas, lo que da como resultado diseños ambientalmente responsables.

La fabricación aditiva (FA) es un proceso que crea modelos físicos directamente a partir de datos tridimensionales (3D) mediante la unión de materiales capa a capa. Se utiliza en la industria para producir una variedad de piezas de uso final , que son componentes finales diseñados para su aplicación directa en productos o sistemas. La FA proporciona flexibilidad de diseño y permite la reducción de material en aplicaciones ligeras, como las aeroespaciales, automotrices, médicas y de dispositivos electrónicos portátiles, donde minimizar el peso es fundamental para el rendimiento. El diseño generativo, uno de los cuatro métodos clave para el diseño ligero en FA, se aplica comúnmente para optimizar estructuras según requisitos de rendimiento específicos. ^{[ 30 ]}

El diseño generativo puede ayudar a crear soluciones optimizadas que equilibren múltiples objetivos, como mejorar el rendimiento y minimizar los costos. ^{[ 31 ]} En el diseño para la fabricación aditiva (DfAM), se utiliza la optimización topológica multiobjetivo para generar un conjunto de soluciones candidatas. Los diseñadores evalúan estas opciones utilizando su experiencia e indicadores clave de rendimiento (KPI) para seleccionar la mejor opción para su implementación. ^{[ 30 ]}

Sin embargo, integrar las restricciones de la fabricación aditiva (por ejemplo, velocidad de construcción, materiales, volumen de construcción y precisión) en el diseño generativo sigue siendo un desafío, ya que garantizar que todas las soluciones sean válidas es complejo. ^{[ 30 ]} Equilibrar múltiples objetivos de diseño mientras se limitan los costos computacionales añade más desafíos para los diseñadores. ^{[ 32 ]} Para superar estas dificultades, los investigadores propusieron un método de diseño generativo con validación de fabricación para mejorar la eficiencia en la toma de decisiones. Este método comienza con una técnica basada en geometría sólida constructiva (CSG) para crear formas de topología suave con un control geométrico preciso. Luego, se utiliza un algoritmo genético para optimizar estas formas, y el método ofrece a los diseñadores un conjunto de las mejores soluciones no dominadas en el frente de Pareto para su posterior evaluación y toma de decisiones final. ^{[ 32 ]} Al combinar múltiples técnicas, este método puede generar muchas soluciones de alta calidad con límites suaves a menores costos computacionales, lo que lo convierte en un enfoque práctico para diseñar estructuras ligeras en fabricación aditiva.

Partiendo de métodos de optimización topológica, los proveedores de software introdujeron funciones de diseño generativo en sus herramientas, ayudando a los diseñadores a establecer criterios y clasificar soluciones. ^{[ 30 ]} La industria está impulsando avances en el diseño generativo para la fabricación aditiva, lo que pone de relieve la necesidad de herramientas que no solo ofrezcan una gama de soluciones, sino que también optimicen los flujos de trabajo para uso industrial. ^{[ 31 ]}

• Arte digital
• Diseño automatizado por ordenador
• Comentario
• Arte generativo
• Diseño paramétrico
• Modelado procedimental
• generación de números aleatorios
• dinámica de sistemas
• Optimización topológica

• Gary William Flake: La belleza computacional de la naturaleza: exploraciones informáticas de fractales, caos, sistemas complejos y adaptación . MIT Press, 1998, ISBN 978-0-262-56127-3
• John Maeda: Diseño mediante números , MIT Press 2001, ISBN 978-0-262-63244-7
• Krish, Sivam (2011). "Un método práctico de diseño generativo". Diseño asistido por computadora . 43 : 88–100 . doi : 10.1016/j.cad.2010.09.009 .
• Celestino Soddu: artículos sobre diseño generativo (1991–2011) en Generative Art Design Papers. C. Soddu, E. Colabella