Where PhDs and companies meet
Menu
Login

Already registered?

New user?

Intelligence artificielle pour une architecture favorable à la santé

ABG-105521 Thesis topic
2022-05-11 Public funding alone (i.e. government, region, European, international organization research grant)
Ecole Nationale Supérieure d'Architecture de Lyon
Lyon - Auvergne-Rhône-Alpes - France
Intelligence artificielle pour une architecture favorable à la santé
  • Computer science
  • Architecture, arts (applied, plastic, performing), music
Apprentissage profond, Architecture, Design génératif, Intelligence Artificielle, (geometric) Deep Learning, déterminants et indicateurs de santé

Topic description

La thèse s’effectue dans le cadre du projet de recherches GenH2Arch, financé par la Région AURA (2021-2026) et l’agence AIA Life Designers. Elle se déroule à la fois en laboratoires de recherche et en milieu professionnel. Elle est encadrée par Serge Miguet (laboratoire LIRIS, équipe IMAGINE) et Xavier Marsault (laboratoire MAP-Aria). Plus de détails sur le projet GenH2Arch sont disponibles ici : https://www.aria.archi.fr/projet-genh2arch-hybrid-generation-for-healthy-architecture-finance-par-la-region-aura/

La thèse se déroulera principalement dans les locaux du laboratoire MAP-Aria (employeur principal), École Nationale Supérieure d'Architecture de Lyon, Campus de Vaulx-en-Velin, mais aussi partiellement à l’agence AIA à Lyon.

Détails :

Le mouvement d’urbanisme favorable à la santé (UFS) vise à promouvoir une prise en compte holistique des enjeux de santé (bien-être physique, mental, social) dès les premières phases de conception des projets d’aménagement [CAP 18]. La thèse questionne la manière dont l’intelligence artificielle peut favoriser la conception des projets d’architecture dans ces phases, en orientant les concepteurs vers des solutions les plus intelligentes possibles dès le départ. Elle s’appuie sur l’alliance du deep learning et du design génératif pour une conception architecturale et urbaine favorable à la santé (proposition spécifique du projet GenH2Arch).

Un grand intérêt de l’apprentissage profond se trouve en effet dans les phases d’initialisation de la conception d’un projet d’architecture, lorsque les données disponibles sont insuffisantes à la fois pour produire des morphologies et pour les évaluer. Ses capacités prédictives et génératives peuvent alors être convoquées pour pallier ce manque de connaissances directes, dès lors que de la complexité a été captée et apprise à partir de nombreux projets plus ou moins similaires ou de données artificielles produites à dessein. C’est l’approche structuraliste du projet : une description structurelle et fonctionnelle par les graphes [AS 18] nous intéresse particulièrement dans le cadre de cette thèse, convoquant le geometric deep learning [BRO21], terrain d’étude récent pour généraliser les techniques de deep learning aux données non-euclidiennes fréquemment utilisées par les architectes.

La prise de décisions en termes de morphogenèse architecturale (formes et intérieurs) dans un site donné peut ensuite être largement facilitée par un traitement de ce savoir accumulé en amont, et que le design génératif permet d’optimiser de multiples manières (en référence à EcoGen, logiciel développé ces dernières années à MAP-Aria [MAR 19], avec l’intention d’un couplage à des outils d’IA).

A l’échelle locale d’un îlot ou d’un groupe de bâtiments, l’approche santé se déclinera en un éventail de déterminants et d’indicateurs spécifiques qui vont venir nourrir la génération hybride. Le cas d’étude des hôpitaux nous intéresse particulièrement ; il s’appuiera sur l’expertise d’AIA dans ce domaine et sur l’evidence-based design.

L’importance fondamentale du rapport au site (pas de bonnes analyses hors site) nous fait questionner des réponses associatives bâti / contexte (méthodes du deep learning basées sur des graphes et des données image). A ce niveau exploratoire, il s’agit d’essayer d’obtenir une bonne génération conditionnelle d’esquisses ou de scénarios de projet dans un site donné (environnement naturel et bâti), répondant à un programme et des contraintes structurelles et fonctionnelles.

Références

[AS 18] I. As, S. Pal, and P. Basu, “Artificial intelligence in architecture: generating conceptual design via deep learning”, Int. J. Archit. Comput., vol. 16, no. 4, pp. 306–327, 2018.

[BRO 21] M. Bronstein, J. Bruna, T. Cohen and P. Velickovic. “Geometric Deep Learning : Grids, Groups, Graphs, Geodesics, and Gauges“, 2021.

[CAP 18] J.F. Capeille, S. Davies, X. Fang, C. Girard et T. le Dantec, “Bien Vivre la Ville : vers Urbanisme Favorable à la santé“, Fondation AIA, Institut CFLD, 2018.

[MAR 19] X.Marsault and F. Torres, “An interactive and generative eco-design tool for architects in the sketch phase”, CISBAT, EPFL, 4-6 september 2019. IOP's Journal of Physics : Conference Series Vol. 1343, november 2019. https://iopscience.iop.org/issue/1742-6596/1343/1

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Assuré à 100% par un projet (60% Région AURA, 40% AIA Life Designers)

Presentation of host institution and host laboratory

Ecole Nationale Supérieure d'Architecture de Lyon

L’équipe MAP-Aria inscrit ses recherches dans les deux volets du projet scientifique de l’UMR MAP. Le premier de ces volets traite de la description d’artefacts existants, le second traite des processus et outils de la fabrication des édifices à venir.

Les activités de l’équipe Imagine de l'UMR LIRIS se déclinent en différentes thématiques liées à la mise en œuvre de méthodes d’indexation, de modélisation, de classification et de reconnaissance du contenu (objets, actions, concepts), avec une attention particulière portée au développement de méthodes d’apprentissage automatique pour la vision par ordinateur.

PhD title

Doctorat d'Informatique

Country where you obtained your PhD

France

Institution awarding doctoral degree

UNIVERSITE LUMIERE- LYON 2

Graduate school

École Doctorale en informatique et mathématiques de Lyon

Candidate's profile

Titulaire d'un diplôme d'ingénieur ou de niveau Master 2 en informatique, passionné par l'IA, intéressé par les collaborations interdisciplinaires et notamment l'architecture.

Connaissances requises : Python, framework Pytorch et/ou TensorFlow, théorie des graphes. Connaissances souhaitées : computer vision, 3D
Connaissances facultatives : BIM, IFC
Renseignements complémentaires : xavier.marsault@aria.archi.fr

 

Partager via
Apply
Close

Vous avez déjà un compte ?

Nouvel utilisateur ?