Page 222 - 建筑结构设计理论及实践研究

Theoretical and Practical Research on Architectural Structural Design
建筑结构设计理论及实践研究

（一）生成式 AI

生成式 AI 是指从数据中学习已有内容和对象，进而生成全新内容的 AI 算法。
区别于使用深度学习模型解决分类或回归问题的判别式 AI。生成式 AI 的运算结
果不仅是已有结果的重复，更是总结已有数据特征后的进一步创造。生成式 AI

自起步发展至今日，形成的经典生成式 AI 有变分自编码器、生成对抗网络、扩
散模型 3 种。
1. 变分自编码器
变分自编码器（Variational Auto Encoder，VAE）是由自编码器发展而来的一

种生成算法，由Kingma等在2013年提出。该模型在自编码器的基础上改变编（解）
码器，规定向量 z 满足高斯分布。在此基础上解码器就可以从任意满足高斯分布
的向量到图像的生成任务。变分自编码器的学习过程是一种无监督的学习过程，
有较好的提取能力，因此常用于特征提取、文档检索、分类和异常检测。但相比

于后来的生成式模型，变分自编码器生成的图像结果往往较为模糊。在工程设计
场景中变分自编码器所解决的问题往往较为简单。
2. 生成对抗网络
生成对抗网络（Generative Adversarial Network，GAN）是一种由生成器和

判别器博弈最终获得良好生成效果的生成算法，由 Goodfellow 等在 2014 年提出，
该算法判别器用于判断输入数据的真伪，生成器的目标则是生成可以欺骗判别器
的伪造数据。最终达到两者都无法继续优化的平衡结果后，生成器就有了较好的
生成水平。变分自编码器通过隐变量 z 与标准正态分布的 KL 散度对比来构建误

差，而在生成对抗网络中这部分功能则由判别器来完成。在基础的架构之上，生
成对抗网络衍生出了 CGAN、CycleGAN、StyleGAN、TransGAN 等算法，在图
像翻译、人脸合成、超分辨率生成和目标检测等领域获得了不错的效果。但训练
模式崩溃和训练时间过长也是 GAN 不可回避的问题。就目前情况而言，GAN 算

法是开发最丰富，运用场景最广泛的生成式设计 AI，在工程设计场景下也有大
量的应用。
3. 扩散模型
扩散模型是受热力学启发，首先学习逐步添加噪声的过程，学习后执行该过

程的逆过程就可以用来生成数据，由 Sohl-Dickstein 等于 2015 年提出。该模型直
至 2020 年被 Ho 等优化开发，才在相关任务中逐渐流行起来。该模型在不断地

·210·