به کارگیری یادگیری ماشین مبتنی بر پایتون در معماری: مرور نظام مند کاربردها، چالش ها و فرصت ها

در دهه اخیر، ادغام یادگیری ماشین در معماری به عنوان رویکردی تحول آفرین برای پاسخ به چالش های اساسی همچون بهره وری انرژی، پایداری محیطی و نوآوری در طراحی مطرح شده است. زبان پایتون به دلیل متن باز بودن، سهولت استفاده و برخورداری از اکوسیستم قدرتمند کتابخانه ها نظیر سایکیت-لرن، تنسورفلو و پایتورچ، به بستر اصلی پیاده سازی الگوریتم های یادگیری ماشین در پژوهش ها و کاربردهای معماری بدل شده است. این مطالعه با بهره گیری از دستورالعمل پریسما یک مرور نظام مند بر مقالات منتشرشده بین سال های ۲۰۱۵ تا ۲۰۲۵ انجام داده است. از میان ۱۴۷۸ رکورد اولیه، پس از غربالگری چندمرحله ای، ۵۲ مقاله داوری شده وارد تحلیل نهایی شدند. یافته ها نشان می دهد مدل های یادگیری نظارت شده توانسته اند دقت پیش بینی عملکرد انرژی و روشنایی را نسبت به روش های سنتی ۱۰ تا ۳۲ درصد بهبود دهند. مدل های مولد همچون GAN، VAE و Diffusion، امکان خلق فرم های نوآورانه را فراهم کرده و در عین حال تا ۱۵٪ بهبود در شاخص های عملکردی ثبت کرده اند. یادگیری تقویتی در کنترل بلادرنگ سیستم های گرمایش، تهویه و سرمایش و پوسته های تطبیقی منجر به کاهش ۱۰ تا ۱۸ درصدی مصرف انرژی شده است. همچنین چارچوب های هیبریدی که ترکیب یادگیری ماشین با الگوریتم های فراابتکاری را دنبال کرده اند، توانسته اند میان اهداف متعارض تعادل برقرار کرده و کاهش ۱۵ تا ۳۰ درصدی مصرف انرژی گزارش کنند. باوجود این پیشرفت ها، چالش هایی چون کمبود دیتاست های باز، هزینه های بالای محاسباتی و ضعف در توضیح پذیری مدل ها همچنان پابرجاست. مسیر آینده شامل توسعه چارچوب های هوش مصنوعی توضیح پذیر، رویکردهای هوش سبز و ادغام بی وقفه یادگیری ماشین در محیط های طراحی معماری نظیر راینو / گرس هاپر و رویت / داینامو خواهد بود. این مقاله ضمن ارائه تصویری جامع از وضعیت موجود، شکاف ها و فرصت های آینده این حوزه را نیز برجسته می سازد.

کلیدواژه ها:

یادگیری ماشین ، پایتون ، معماری ، طراحی مولد ، یادگیری تقویتی ، بهینه سازی چندهدفه ، PRISMA