Cognitive Assemblages

Abstract
Questa ricerca esplora le conseguenze del paradigma
emergente dalla connessione di una cognizione artificiale
all’interno del processo progettuale, nel tentativo di far trascendere
alla macchina il mero ruolo di strumento passivo
o di imitazione del pensiero umano. Sfruttando tecniche di
Deep Reinforcement Learning, un’Artificial Neural Network
(ANN) in seguito ad un processo di training compie scelte
locali, assemblando elementi discreti e strutturando un’organizzazione
spaziale su scala architettonica. Selezionando
come features, quantità capaci di descrivere alcune qualità
spaziali come direzionalità, densità e connettività, il sistema
può apprendere la correlazione tra le sue azioni e i risultati
ottenuti, affinando così la sua sensibilità per la comprensione
spaziale.
Implementando in Unity3D un algoritmo di constraint
solving denominato Wave Function Collapse, che posiziona
parti discrete in una griglia seguendo regole di possibile
adiacenza, l’ANN impara a posizionare tali elementi in
modo da massimizzare una funzione di reward. Le reward
fornite sono intese come una serie di stimoli che rinforzano
e sviluppano una cognizione che acquisisce la capacità di
strutturare uno spazio di possibilità progettuali. Una volta
fornito il set di elementi discreti e le qualità spaziali correlate
a una funzione di reward, l’agent è in grado di imparare a
perseguire obiettivi diversi utilizzando differenti set di ele-
Cognitive Assemblages
9