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.

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 au LIRIS et 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