Cognitive Assemblages

COGNITIVE

ASSEMBLAGES

Sharpening machine sensibility for architectural design

of spatial assemblages through Wave Function

Collapse and Reinforcement Learning

COGNITIVE

ASSEMBLAGES

Sharpening machine sensibility for architectural design of spatial

assemblages through Wave Function Collapse and Reinforcement

Learning

Tesi di laurea in Architettura e

Composizione architettonica

Corso di laurea in Ingegneria

Edile-Architettura

Scuola di Ingegneria e Architettura

Alma Mater Studiorium

Università di Bologna

aa 2019/2020

Relatore: Alessio Erioli

Candidato: Alessandro Mintrone

A Francesca

Indice

Abstract

09

Reinforcement

Learning

64

Premessa

11

1. Cognizione e ambiente

2. Esperienza

3. Intelligenze

66

68

69

Reti Neurali

1. Metafore

2. Modelli

3. Storia

4. Stato dell’arte

14

16

18

19

20

Input visivo

Qualità spaziali

Training

Assemblaggi

Discreti

72

74

82

104

Wave Function

Collapse

24

1. Spazi discreti

2. Elementi discreti

3. Saper vedere

l’architettura

106

108

109

1. Introduzione

2. Logica computazionale

3. Regole di connessione

Aggregazione

Tile sets

26

28

30

32

36

Parti

Mappe

Assemblaggi

Case study

Conclusioni

112

114

120

134

160

Bibliografia

167

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

menti, pur mantenendo la stessa struttura che reagisce a

questo flusso di stimoli imparando una serie di comportamenti

da cui può emergere una vasta classe di condizioni

spaziali.

La qualità intrinseca di una ANN è la capacità di strutturare

uno spazio rappresentativo, non solo approssimando una

correlazione tra input e output, ma anche rappresentando

vettorialmente lo spazio delle possibili configurazioni. Questa

ricerca tenta di definire un paradigma in cui questo processo

cognitivo non è negato o limitato ad un problema

chiuso, ma connettendo il designer e la macchina in un ciclo

di feedback, sfuma la distinzione tra l’autore e lo strumento

ed esplora le conseguenze di una cognizione che trascende

i limiti dell’umano e del macchinico.

10

Premessa

Questa tesi è una ricerca che muove dal riconoscimento dei

limiti del paradigma che vuole la cognizione umana come

autonoma e sufficiente a se stessa, nell’atto di concepire e

creare. Passa per l’idea che ogni processo di cognizione, sia

una rete di cognizioni, che estende e modifica i percorsi della

nostra mente, in cui l’atto della concezione è non-locale,

distribuito, e non può dirsi appartenente in via esclusiva a

nessuna delle singole parti. Questa tesi è volta ad esplorare

il territorio aperto dalla domanda:

In alto.

Andrea Vesalio, Cervello, 1543

È possibile inserire, nella rete di decisioni del processo

progettuale, cognizioni non-umane sufficientemente

complesse da assumere in parte la responsabilità della

creazione, per generare spazi, luoghi e ogni altro esito

che è possibile chiamare architettura?

Evitando la tentazione di ridurre questa domanda ad un

problema che ammette una risposta definitiva, si è cercato

invece di seguirne le aperture, le linee di fuga che da essa

si dipartono, per ridefinire i confini della nostra idea di architettura,

individuando quattro linee di indagine:

1. Strumenti. Nel primo capitolo si analizzeranno le qualità

specifiche delle reti neurali, spiegando perché e in che

modo possono inserirsi attivamente in un processo creativo


11

A lato.

Manus, installazione robotica di

Medeline Gannon, al World Economic

Forum

2. Assemblaggi. Nel secondo capitolo si esplorerà la generazione

iterativa di assemblaggi discreti, definendo un

paradigma basato su un processo bottom-up di definizione

di regole locali di aggregazione con conseguenze al livello

dell’organizzazione globale.

3. Cognizioni. Nel terzo capitolo, si indagherà la possibilità

di far emergere capacità cognitive di ordine complesso,

dall’interazione con l’ambiente. Una Neural Network verrà

addestrata tramite il Reinforcement Learning a generare

condizioni spaziali diversificate tramite la selezione di elmenti

discreti da posizionare nell’assemblaggio. Questo

processo di apprendimento sarà guidato da una serie di descrittori

quantitativi, utilizzati sia per caratterizzare le qualità

spaziali dell’assemblaggio, sia come stimoli per la generazione

di nuove configurazioni.

12

A lato.

Distributed Robotic Assembly,

ICD di Stoccarda, 2018

In basso e a lato.

Esempio di ecosistema robotico

che sfrutta una cognizione condivisa

per organizzare il processo

costruttivo.

4. Luoghi. Nel capitolo finale, vengono indagate le qualità

generate da uno specifico set di elementi discreti, speculando

sulla possibilità di analisi spaziale, in un contesto in cui le

possibilità da vagliare crescono esponenzialmente e, infine,

analizzando il momento nodale del dialogo del sistema con

una design agency umana esterna.


13

Reti Neurali

I propose to consider the question: ‘Can machines think?’ This should

begin withdefinitions of the meaning of the terms “machine” and “think.”

Alan Turing

Reti Neurali

16

Artificiali

A sinistra.

Machine Hallucinations, installazione

audiovisiva dell’artista

Refik Anadol.

In alto.

Perceptron, ideato da Frank

Rosenblatt, fu uno dei primi esempi

di rete neurale artificiale applicata

alla visione artificiale.

1. Metafore. La storia delle reti neurali nasce da una metafora,

l’idea che per poter crearqualcosa che possegga delle

capacità cognitive umane, si debba replicare substrato che

gnerea queste cognizioni, una rete di neuroni. In questo

senso uno dei primi esperimenti riusciti fu quello del perceptron,

ideato nel 1958 da Rosenblatt, connetteva uno strato di

recettori con uno strato di output, ponendo nel mezzo una

rete di conessioni pesate, analogamente alla rete di connessioni

sinaptiche nel cervello. Il sistema si dimostrò capace

di apprendere funzioni di classificazione attraverso un processo

di apprendimento che andava a modificare i pesi dei

collegamenti. I limiti erano chiari, un’architettura basata solo

su output, input e un sistema di pesi, era capace di approssimare

solo funzioni lineari, al contempo i limiti tecnologici

dell’epoca consentivano una complessità computazionale

che limitava il sistema a problemi estremamente semplici.

Nondimeno, l’idea di base, che si possa costruire un sistema

basato sull’apprendimento, costituito da una rete densa di

elementi le cui connessioni posseggono pesi che, opportunamente

adattati, sono capaci di approssimare una funzione

continua.


17

Reti Neurali

2. Modelli. Le reti neurali attualmente in uso aggiungono

a questa logica, un’ ulteriore qualità o, meglio, un’ulteriore

dimensione, la profondità. Esse infatti sono costituite da una

matrice di input e una di output connesse ad un numero

variabile di strati intermedi, tali strati sono detti hidden layers

e consentono alla rete neurale di approssimare non solo

funzioni lineari, ma qualsiasi funzione continua.

Appare evidente come, al crescere del numero di neuroni

e layers la quantità di connessioni e dunque di pesi da calcolare,

cresca esponenzialmente. Per questa ragione, i limiti

computazionali, solo recentemente superati, hanno sempre

reso impraticabile questa stada per l’intelligenza artificiale.

A partire dal modello di base detto feedforward network,

sono stati sviluppati una gran quantità di diversi modelli, che

appartengono tutti alla classe delle reti neurali. Per quanto

diversi, questi modelli mantengono i due tratti definiti originariamente,

la rete di connessioni e un sistema di rappresentazione

interno della conoscenza, costituito da una serie

di pesi che vengono definiti durante la fase di training.

Anche se lo spettro delle architetture utilizzabili va espandendosi

velocemente, i modelli più semplici, basati su un

solo hidden layer o addirittura privi, coesistono per specifici

compiti accanto alle architeture più complesse andando a

determinare una vera e propria ecologia di sistemi.

A sinistra.

Schema di una rete neurale con

un singolo hidden layer

In alto.

Immagine del perceptron

18

A destra.

Diagramma di classificazione dell’

AI, il Deep Learning è un sottoinsieme

specifico del Machine

Learning. Ian Goodfellow

In alto.

Alan Turing

3. Storia. Riprendendo la tassonomia operata da Ian Goodfellow

nel suo testo Deep Learning. Il campo dell’intelligenza

artificiale, può essere suddiviso in sistemi basti sulla

conoscenza e sistemi che apprendono questa conoscenza,

all’nternodi questi ultimi, vi è una classe di sistemi capace di

dar forma anche alla rapprensentazione di detta conoscenza,

questi sistemi organizzano le informazioni in uno spazio

vettoriale di rappresentazione interna, andando a costruire

un modello non dato in partenza delle informazioni ricevute.

Di questa classe di sistemi, fanno parte i sistemi utilizzati

per gli scopi di questa ricerca, definiti di Deep Learning.

L’idea di apprendimento automatico, in una forma sufficientemente

simile a quella attuale è riconducibile all’architettura

del Pandemonium ideata da Oliver Selfridge nel 1959. Per

cercare invece il punto d’origine del problema della definzione

dell’intelligenza nelle macchine è necessario tornare

ad Alan Turing e al suo articolo del 1950 Computing machinery

and intelligence, dove propose per caratterizzare

l’intelligenza il test che prenderà poi il suo nome. Questo

test è basato sulla capacità di un’ intelligenza artificiale di

ingannare un interlocutore e rendersi indistinguibile da un

essere umano, sebbene assuma troppo ingenuamente una

certa innocenza del linguaggio nel veicolare le informazioni,

stabilisce un criterio importante: è intelligente ciò che è capace

di causare fenoeni che richiedono intelligenza.


19

Intelligenze

1. Stato dell’ arte. Lo stato attuale delle applicazioni di intelligenza

artificiale basate sulle Neural Network è frammentario.

Caratterizzato da un insieme di tecniche e modelli che

si sono rivelati estremamente efficaci in alcuni ambiti, che

convivono con altre aree in cui l’applicazione è incerta o in

fase embrionale.

Oltre ai successi ottenuti con la manipolazione del linguaggio

(NLP) e delle serie temporali di dati in generale, e lo

sviluppo del Reinforcement Learning come piattaforma per

l’interazione con l’ambiente e lo sviluppo di comportamenti

e capacità decisionali, tematica che verrà approfondita nel

terzo capitolo, una delle applicazioni più di successo riguarda

la possibilità di manipolare immagini.

In basso.

DeepGreen, progetto di EcoLogic

Studio, anche attraverso un GAN

genera immagini alternative di

città in cui è modificata la quantità

e la conformazione del verde.

Reti Neurali

20

A destra

Edmond de Belamy, quadro

generato da una rete neurale

nel 2018, venduto all’asta per

$432.500.

In questo contesto, la possibilità di manipolare qualità complesse

dell’immagine che come contenuto, texture, contorni

e colori, come di estarre informazioni complesse ha stimolato

numerose applicazioni.

Il rapporto di intima interdipendeza che la società occidentale

del XXI secolo ha raggiunto, rende la capacità di intervenire

su qualità complesse al tempo stesso familiare e

sconcertante, sconcertante nella misura in cui sembra segnalare

un’intezione e una capacità cognitiva che attribuiamo

agli esseri intelligenti.

Al contempo è necessario considerare che la capacità generativa

di questi modelli è limtata all’estrazione di qualità

ricorrenti nel dataset utilizzato per il training. La capacità


21

A sinistra.

Immagine generata da uno style-

GAN, parte del progetto this person

does not exist

Reti Neurali

di esplorare lo spazio di queste qualità o di utilizzarlo per

colmare dei vuoti di informazione (come ad esempio delle

immagini mancanti in un video, o delle immagini a bassa

risoluzione), rappresenta la forza e il limite di questo approggio

generativo. Esso è capace di scavare a fondo nelle

zone intermedie fra gli esempi proposti, generando anche

condizioni inimmaginate e sorprendenti, ma senza mai porsi

su un piano diverso dai dati del training, senza mai dare

cioè luogo ad una vera condizione emergente.

Questa creatività per interpolazione, ha generato un estetica

del verosimile, di ciò che ha superato i limiti dell’irreale pu

senza essere parte della realtà.

A destra.

Artificial Botany, installazine video

realizzata da *Fuse, genera

illustrazioni botaniche di piante

immaginare.

22


23

Wave Function Collapse

“There are only multiplicities of multiplicities forming a single assemblage,

operating in the same assemblage: packs in masses and masses in packs.”

Gilles Deleuze, Felix Guattari


26

Assemblaggi discreti

1. Intoduzione. Il Wave Function Collapse Algorithm è

un algoritmo di constraint solving, che posiziona elementi

discreti denominati tiles, in una griglia predeterminata, rispettando

regole di adiacenza.

Lavorando con elementi discreti, indipendentemente dal

contenuto, l’algoritmo si dimostra un’ ottima piattafoorma

su cui implementare una generazione spaziale autonoma,

passare dal continuo delle possibili configurazioni spaziali

locali a un insieme finito di parti, connessioni e loro permutazioni.

Al contempo, il poter lavorare in uno spazio discretizzato,

con un insieme finito di scelte possibili, è funzionale

all’inserimento di una cognizione artificiale nel processo, attraverso

l’implementazione di una ANN, semplificando i dati

in ingresso e gli output richiesti, è possibile incrementare,

viceversa, la complessità dei comportamenti sviluppati.

2. Logica computazionale. Il processo parte da una griglia

vuota e indifferenziata, posizionato il primo elemento

discreto nella griglia, per ogni punto confinante, viene

aggiornata la lista dei tiles che è possibile inserire secondo

le regole di adiacenza del tile posizionato. Al contempo,

viene aggiornato il valore della funzione entropia che

misura il grado di incertezza, in ogni punto, sui tiles che è

possibile inserire. In specie viene utilizzata la funzione nota

come Entropia di Shannon. Nella successiva iterazione, viene


27

selezionato il punto con l’entropia minore, cioè il punto in

cui la certezza sul tile da posizionare è massima, tale logica

è implementata per massimizzare le possibilità di riuscire a

costituire un aggregato coerente.

Se durante l’aggiornamento delle tiles possibili non rimane

più nessun elemento posizionabile nel punto, l’algoritmo

cade in contraddizione e l’aggregazione risulta fallita. (Gumin

2016; Heaton 2018).

Le regole di connessione possono essere definite in due

modi:

A sinistra

Esempio di Overlapping model

basato su un esempio fornito

all’algoritmo.

A sinistra.

Esempio aggregazione, i pizel

ancoa non definiti vengono visualizzati

come una sovrapposizione

di stati possibili.


28

Entropy Analysys

A destra.

Diagramma generale di funzionamento

dell’algoritmo di Wave

Funcion Collapse

Collapsing

Point Selection

In basso.

Esempio di Simple Tiled model,

in cu vengono fornite le tiles e le

relative regole di connessione.

Possible Tiles

[0, 1, 1, 0, ..., 1, 0]

Contraddiction

Tiles Selection

Diffusion

Overlapping model: Le regole sono derivare da un esempio

fornito all’algoritmo, in questo caso le connessioni per essere

devono essere presenti nell’input.


Simple Tiled model: In questo caso, le regole di connessione

vengono fornite direttamente al sistema.

29

Regole di connessione

Analisi combinatoria

Singole tiles

4 tiles piene e una contenente

il vuoto

Permutazioni

Ogni tile può avere un numero

variabile di permutazioni dipendente

dalla propria simmetria

Connessioni

Esempi di connessioni consentite

fra tiles o loro permutazioni

Contraddizioni

Due aggregazioni fallite a causa

di una contraddizione

Aggregazioni

Aggregazione estesa delle tiles.


30

Regole di connessione

Analisi combinatoria

A destra

Diagramma delle connessioni di

un set di tiles di esempio, i lati

segnati in rosso appartengono

alla tipologia A e necessitano di

connettersi a lati della medesima

tipologia, i restanti lati, di tipologia

B, possono connettersi fra

loro o con tiles vuoti.

Tile Singolo

Permutazioni del tile iniziale

Tiles compatibili


31

Aggregazione

Diffusione dell’informazione


Diffusione dell’informazione

Set di tiles

32


33

Tile Set 01

Bidimensionale


34


35

Tile Set 01A

Bidimensionale Ortogonale

In basso.

Set di tiles bidimensionali, con

solo le direzioni ortogonali alla

griglia, connessi lungo l’asse centrale.


36


37

Tile Set 01B

Bidimensionale Diagonale

In basso.

Set di tiles bidimensionali, con direzioni

ortogonali e diagonali rispetto

alla griglia, connessi lungo

l’asse centrale.


38


39

Tile Set 02

Tridimensionale direzionale


40


41

Tile Set 02


In basso.

Set di tiles basato su facce planari,

permutate nelle tre direzioni

principali e lungo i due possibli

orientamenti dei piani. Le connessioni,

avvengono lungo l’asse

principale.


42


43

Tile Set 02


In basso.


permutate nelle tre direzioni

principali e lungo i due possibli

orientamenti dei piani. Le connessioni,

avvengono lungo l’asse

principale.


44


45

Tile Set 03

Tridimensionale scatolare


46


47

Tile Set 03


In basso.

Set di tiles basato sulle facce del

cubo, permutate nelle tre direzioni

principali. Le connessioni,

avvengono lungo il bordo delle

facce, o direttamente fra faccia

e faccia.


48


49

Tile Set 03


In basso.

Set di tiles basato sulle facce del

cubo, permutate nelle tre direzioni

principali. Le connessioni,

avvengono lungo il bordo delle

facce, o direttamente fra faccia

e faccia.


50


51

Tile Set 04

Tridimensionale cubico


52


53

Tile Set 04


In basso.

Set di tiles basato celle cubiche,

permutate mantenendo i due

solai paralleli lungo il loro piano.

Le connessioni, avvengono lungo

gli spigooli el cubo.


54


55

Tile Set 04


In basso.

Set di tiles basato celle cubiche,

permutate mantenendo i due



gli spigooli el cubo.


56


57

Tile Set 05

Tridimensionale planare


58


59

Tile Set 05


In basso.


permutate mantenendo i



gli spigooli delle facce.


60


61

Tile Set 05


In basso.


permutate mantenendo i



gli spigooli delle facce.


62


63

Reinforcement Learning

“Sometimes it seems as though each new step towards AI, rather than

producing something which everyone agrees is real intelligence, merely

reveals what real intelligence is not.”

Douglas Hofstadter


66

Rewards

1. Cognizione e ambiente. Il Reinforcement Learning si

distingue dalle altre tipologie di Machine Learning basate

su un’insieme di esempi definiti a priori. Nell’ RL alla neural

Network è richiesto di derminare l’azione successiva che il

sistema deve compiere, andando a modificare l’ambiente in

cui è situata, è questo stesso ambiente che andrà a costituire

le osservazioni, l’esperienza da cui imparare.

In questo caso, è dunque l’algoritmo stesso di Machine

Learning a determinare, tramite le sua scelte, l’insieme di

esempi che consentono il training. Le capacità cognitive risultanti,

risultano funzione tanto del sistema di intelligenza

artificiale, quanto dell’ambiente in cui è immerso. L’ambiente,

reale o virtuale, diviene un termine attivo, una parte

di un processo cognitivo esteso, che porta alla formazione,

all’interno della rete neurale di una conoscenza, un modello

dell’ambiente e delle relazioni non-lineari che intercorrono

fra le azioni possibili e le possbili modificazioni che quest’ultimo

può subire.

Si è scelto quest’approccio perché consente, date delle

condizioni di partenza determinate, di generare un campo

di posibili azioni, invece che estrarre qualità da una serie di

esempi per cercare di adattarle a un diverso contesto.


67

2. Imparare dall’esperienza. Il sistema è costituito da un

agente che legge una certa rappresentazione dell’ambiente,

il suo stato attuale, ed è chiamato a compiere un’azione.

Quest’azione può essere parte di un set discreto di possibili

azioni o può essere espressa da un insieme di valori scalari

continui. L’azione porta ad una modifica dell’ambiente,

che muta il proprio stato, portando nuove informazioni

all’agente.

A destra.

Diagramma dell’anello di feedback

che l’agente instaura con

l’ambiante


Durante il processo di training, l’ambiente fornisce anche un

ulteriore segnale, il segnale di reward. Tale segnale è determinato

da una funzione dell’ambiente e fornisce ricompense

positive o negative. Il sistema cerca di determinare la

correlazione non-lineare fra gli input sullo stato dell’ambiente,

le azioni compiute e le reward cercando di ottenere il

maggior valore possiblie.

Il nodo cruciale di questo processo è la determinazione della

funzione di reward, è necessario tradurre gli esiti desiderati

a seguito delle azioni del sistema, in funzione dell’ambiente.

Se per problemi moderatamente complessi, definire una tale

funzione risulta immediato, al crescere della complessità o

in assenza di un risultato desiderato chiaramente connotabile,

aumenta la difficoltà nel determinare detta funzione. In

particolare è cruciale il modo in cui essa e scalata e l’eventuale

presenza di funzioni non-linari.

68

3. Intelligenze. La capacità di un sistema che fa uso di Reinforcement

Learning di imparare dall’esperienza, senza il

bisogno di esempi omogenei, o di un modello pregresso

del compito da affrontare, rendono questo tipo di Machine

Learning adatto ad affrontare problemi aperti e generali.

Il riconscimento del problema architettonico come problema

aperto, di cui è arduo tracciare confini e sottoinsiemi, motiva

la scelta di esplorare le potenzialità di questo particolare

A sinistra.

Pong, uno dei primi successi del

Reinforcement Learning.

approccio, in particolare per la possibilità di instaurare un

processo che non segua un flusso lineare, ma determini una

condizione di feedback-loop fra azioni e loro conseguenze.

Nel 2014 il Reinforcement Learning, registrò uno dei primi

successi ad avere un’eco significativa nell’opinione pubblica.

Il team di DeepMind sviluppò una rete neurale capace di

giocare a un set di giochi dell’Atari, a un livello superiore a

quello umano. Il sistema affrontava ogni gioco senza una

conoscenza pregressa delle sue regole o delle condizoni

necessarie per vincere. L’unica guida era l’esperienza e le

rewards accumulate.

Questo pirmo momento di attenzione fu seguito dal successo

mediatico di AlphaGo e del suo successore AlphaZero.

Primi sistemi di intelligenza artificiale a battere un cam-


69

pione mondiale di Go. In particolare AlphaZero, è capace

di apprendere, senza mutare architettura, anche gli scacchi

e lo Shogi, battendo in entrambi i casi motori di gioco rappresnetanti

lo stato dell’arte.

Questa capacità di generalizzare, unita alla possibilità di

modificare l’ambiente in cui sono situati rendono questo

tipo di sistemi capaci di dotarsi di un maggior grado di autonomia.

Inoltre, poiché l’ambiente giunge alla rete neurale sotto forma

di una serie fissa di input, è possibile addestrare il sistema

in un ambiente virtuale per poi proseguire il percorso di

In alto.

AlphaGo, primo software capace

di battere un campione di Go. Il

sistema combina il Reinforcement

Learning, con un modello del

gioco e un algorito di tree search

delle mosse.


A sinistra.

AlphaZero, evoluzione di AlphaGo,

può imparare, giocando

contro se stesso, diversi giochi,

mantenendo la medesima architettura.

70

In alto.

Self-Choreogaphing Network,

2018, progetto siluppato all’ ICD

di Stoccarda, utilizza il Reinforcement

Learning per generare

configurazioni responsive di una

rete di cavi in active bending.

A destra.

Diagramma dell’implementazione

meccanica e del processo.

apprendimento a contatto con la realtà materiale. Dando

una realtà corporea al sistema, si moltiplicano le possibilità

di apprendimento, incoporando una conoscenza complessa

all’interno dello spazio rappresentazionale.


71

Input Visuale

1. Fallimento. Durante una prima fase esplorativa, si è tentato

di insgnare al sistema come combinare le tiles correttamente,

a partire da un input visivo. Una texture monocromatica

di 64x64 pixel è stata generata, rappresentando

la cella in cui posizionare la tile con un elemento di forma

rotonda. L’input visivo era poi analizzato facendo uso di

un modello di Convolutional Neural Network CNN (LeCun

1999). Il sistema non è però riuscito a sviluppare la capacità

richiesta nell’assemblare le tiles, mantenendo un tasso di errore

elevato.

Al contrario, rappresentando le informazioni locali sulle celle

attigue, in forma vettoriale utilizzando un One Hot Encorder.

Il processo di traing si è dimostrato più rapido e performante,

raggiungendo ben presto la convergeneza.


A sinistra.

Modello di Convolutional Neural

Network CNN, rappresenta il

fondmento della maggior parte

delle applicazioni d visione artificiale.

72

Input visuale

Tentativo fallito

In questa pagina

Rappresentazione del problema

in forma di immagine 64x64 pixel


73

Qualità spaziali

0. Analisi e rewards. Al sistema viene fornita una ricompensa

data dalla media pesata delle ricompense derivanti

dalle qualità spaziali attive. Questa ricompensa, scalata fra

0 e 1, guida il processo di training nella direzione desiderata.

Inoltra viene fornita una ricompensa per ogni iterazione

svolta, in modo da incentivare al contempo, la riduzione

delle contraddizioni.

In basso.

Diagrammi delle qualità spaziali

analizzate.

1. Densità. La densità è definita come il rapporto fra i tiles

pieni e i tiles totali posizionati fino al momento presente.

La reward fornita di 1 - delta dove delta è la differenza

fra la densità richiesta e la densità effettivamente presente

nell’aggregazione.


2. Gradiente. Il gradiente rappresenta la controparte locale

della densità. Definita una distribuzione scalare di valori di

densità richiesta nel punto. La reward fornita ha forma

1 * fieldValue dove il field value è l’aderenza del tile posizionato

alla densità richiesta.

74

3. Orientamento. Ogni tile possiede una o più direzioni,

questa qualità spaziale misura la coerenza della direzione

principale dell’aggregato con al direzione richiesta. La reward

fornita ha forma:

coherentTiles / totalTiles dove i coherent tiles sono

i tiles la cui direzione corrisponde alla direzione richiesta.

4. Connettività strutturale. La connettività strutturale

misura la quantità di elementi pieni aggregati in cluster di

dimensioni inferiori a una soglia determinata.

La reward fornita ha forma:

1 - tilesUnderThreshold / totalTiles dove i tiles

under threshold sono i tiles che appartengon o a clusters

troppo piccoli. A questi si aggiungono i tiles non connessi

al suolo.

5. Connettività spaziale. La connettività spaziale misura la

quantità di elementi vuoti aggregati in cluster di dimensioni

inferiori a una soglia determinata.




troppo piccoli.

6. Connettività planare. La connettività strutturale misura

la quantità di elementi formanti piani orizzontali aggregati

in cluster di dimensioni inferiori a una soglia determinata.




troppo piccoli.


75

Densità

Analisi spaziale

1. Densità. La densità è definita come

il rapporto fra i tiles pieni e i tiles totali

posizionati fino al momento presente.

La reward fornita di 1 - delta dove

delta è la differenza fra la densità richiesta

e la densità effettivamente presente

nell’aggregazione.


76

Gradiente

Analisi spaziale

2. Gradiente. Il gradiente rappresenta

la controparte locale della densità.

Definita una distribuzione scalare di

valori di densità richiesta nel punto. La

reward fornita ha forma:

1 * fieldValue dove il field value è

l’aderenza del tile posizionato alla densità

richiesta.


77

Orientamento

Analisi spaziale

3. Orientamento. Ogni tile possiede

una o più direzioni, questa qualità spaziale

misura la coerenza della direzione

principale dell’aggregato con al direzione

richiesta. La reward fornita ha forma:

coherentTiles / totalTiles dove

i coherent tiles sono i tiles la cui direzione

corrisponde alla direzione richiesta.


78

Connettività strutturale

Analisi spaziale

4. Connettività strutturale. La connettività

strutturale misura la quantità

di elementi pieni aggregati in cluster di



1 - tilesUnderThreshold / totalTiles

dove i tiles under threshold

sono i tiles che appartengon o a clusters

troppo piccoli. A questi si aggiungono

i tiles non connessi al suolo.


79

Connettività spaziale

Analisi spaziale

5. Connettività spaziale. La connettività

spaziale misura la quantità di elementi

vuoti aggregati in cluster di






troppo piccoli.


80

Connettività planare

Analisi spaziale

6. Connettività planare. La connettività

strutturale misura la quantità di

elementi formanti piani orizzontali aggregati

in cluster di dimensioni inferiori

a una soglia determinata.





troppo piccoli.


81

Training

1. Parametri e iperparametri. Il modello utilizzato è quello

della Proximal Policy Optimization, un modello che possiede,

diversamente dai modelli precedenti, la capacità di

opeare con input e output continui e di basare il processo

di apprendimento su una fuzione di advantage che prevede

un valore atteso da un certo stato e determina la bontà di

un’azione in funzione della differenza fra il risultato previsto

e quello effettivamente verificatosi.

L’implementazione utilizzata è quella presente nel package

ML-Agents di Unity3D. Una libreria di Reinforcement Learning

basata su Tensorflow e ben integata all’ interno di Unity.

A sinistra.

Diagrammi illustranti vari parametri

di training su Tensorboard


82

2. Rete neurale. La rete neurale utilizzata, è costituita da 3

Layer, composto ognuno da 256 neuroni. L’output è discreto

e rapprenseta il tile selezionato per l’inserimento nell’assemblaggio.

Gli input invece sono in alcuni casi discreti, mentre

in altri sono continui.

L’informazione su quale tile contengano le celle adicenti è

fornita sotto forma di one hot encoder. Il resto delle informazioni,

in forma continua, rappresenta i livelli desiderati

dei parametri spaziali precedentemente menzionati, i livelli

effettivi, il peso relativo e normalizzato dei vari parametri e

la lista delle tiles che è possibile inserire nella cella corrente.

Input

3 hidden layers

output

0,

0,

1,

.

.

.

0,

1

0,

0,

1,

.

.

.

0,

1

256 units 256 units 256 units

In alto.

Diagramma della rete neurale

implementata.

Durante il processo di training una funzione di generalizzazione,

modifica questi parametri, affinché il sistema impari

non una soluzione specifica che ottimizzi un problema

specifico, ma mappi ed esplori l’intero campo delle soluzioni

possibili.


83


Intelligence

Entropy Analysys

Collapsing

Point Selection

Possible Tiles

[0, 1, 1, 0, ..., 1, 0]

Contraddiction


Tiles Selection

Diffusion

Algorithmic process

84

Entropy Analysys

Collapsing

Point Selection

Possible Tiles

[0, 1, 1, 0, ..., 1, 0]

Contraddiction

Tiles Selection

Diffusion

Neural Network


Neural Network inception

85

Training

Confronto con l’euristica

Euristica

probabilistica

Densità richiesta:

50%

Densità effettiva:

76%

Training

parziale

Densità richiesta:

50%

Densità effettiva:

68%


Training

completo

Densità richiesta:

50%

Densità effettiva:

54%

86

La neural network non solo supera i risultati otttenibili

con euristiche probabilistiche in termini di precisione,

ma possiede anche la capacità di determinare rapporti

non lineari fra le parti

A sinistra.

Tentativo di ottenere una densità

del 50% utilizzando un’ euristica

probabilistica, che va a modificae

la probabilità che una certa tile, in

questo caso quella vuota, venga

selezionata.

A sinistra.

Stesso tentativo, ma con un

Neural Network in fase di training,

i risultati sono più accurati e

comincia a emergere un pattern

determinato dal comportamento

dell’agente.

A sinistra.

Infine, lo stesso tentativo, ma effettuato

con una Neural Network

il cui processo di training è stato

completato. Ora la densità effettiva

è molto prossima a quella

rischiesta e il pattern emerge più

chiaramente.


87

Training

Density

Target value

In qusta pagina.

Training effettuato usando come

solo stimolo le ricompense per la

densità e il gradiente locale.


88


89

Training

Orientation

Target value

In qusta pagina.


solo stimolo la ricompensa per

l’aderenza della direzione principale

alla direzione richiesta.


90


91

Training

Connectivity

Target value

In qusta pagina.


solo stimolo la ricompensa per la

conettività.


92


93

Training

Density + Connectivity

Target value

In qusta pagina.


solo stimolo la ricompensa per la

conettività e la densità, i cui pesi

influenzano l’iportanza dell’uno o

dell’altro attributo


94


95

Training

Density + Orientation

Target value

In qusta pagina.



l’orientamento e la densità, i

cui pesi influenzano l’iportanza

dell’uno o dell’altro attributo


96


97

Training

Orientation + Connectivity

Target value

In qusta pagina.



l’orientamento e la connetività, i

cui pesi influenzano l’iportanza

dell’uno o dell’altro attributo


98


99

Training

Global

Target value

In qusta pagina.



l’orientamento, la connetività e

la densità, i cui pesi influenzano

l’iportanza dell’uno o dell’altro

attributo


100


101

Training

Global


102


103

Assemblaggi spaziali

“Come la forma architettonica sia al tempo stesso interna ed esterna a se

stessa. Non che si possa penetrare la forma, è proprio la forma che si pone

come forma che si penetra, né può darsi in altro modo che così.”

Bruno Zevi


106

Assemblare luoghi

1. Spazi discreti. Per al genrazione spaziale ci si è serviti di

un sistema organizzativo basato su elementi discreti. Data la

scala e la logica aggregativa, queste parti non si limitano a

costituire, con il loro assemblaggio, la matrice materiale che

definisce gli spazi generati. Sono essi stessi elementi fondamentali

della definizione spaziale.

Ogni elemento dicreto pur non costituendo di per sé un

unità spaziale, essendo prossimo alla scala umana, fa a

definire limiti e direzioni nello spazio amorfo. Nel momento

in cui va a combinarsi con altri elementi, un’ organizzazione

spaziale comincia a emergere, confini e direzioni iniziano ad

assumere tratti più specifici e individuanti. La scala dell’elemento

si trova dunque in uno stato di tensione dinamica

fra l’ordine spaziale e l’ordine materiale. In questo modo,

non è limitata a sostanziare un diagramma pregresso come

accade con elementi prettamente strutturali. Al contempo

non è suffcinete a definire uno spazio, è nelle connessioni,

nella componente relazionale, di organizzazione che queste

qualità emergono.

Il processo di selezione guidato dalla Rete Neurale, non si

trova, dunque, di fronte a un catalogo di condizioni spaziali,

ma a una serie di leggi e opportunità, entro cui sviluppare le

proprie capacità di scelta.


107


2. Elementi discreti. Il lavorare con parti discrete porta a

ricondurre l’insieme delle condizioni possibili a un insieme

definito e limitato di elementi di base.

Questa scelta rende il sistema aperta a molteplici tecniche

di frabbricazione e logiche di organizzzazione materiale.

Al contempo, porta a riconsiderare il concetto di unità elementare.

Se nella logica funzionalista l’unità elementare è

un’ unità funzionale, già definita da una serie di attributi e

di qualità, per esplorare appieno le conseguenze di questa

logica aggregativa è necessario spogliare la parte di questa

specificità, per investirla del valore antitetico: la genericità.

Qui intesa come radicale apertura di ogni elemento a generare

esiti spaziali e strutturali diveri in funzione del contesto,

delle altre parti, cioè, con cui viene connesso.

Sarà possbile dire che un certo elemento più che essere

una trave o un pilastro, si trova in una condizione di trave o

pilastro. Questa logica antiessenzialista porta l’elemento a

essere definito in virtù delle sue qualità relazionali, dalle sue

capacità di connessione e collaborazione, oltre che dalle sue

qualità intrinseche.

La possibilità di limitare le tipologie di elementi, semplifica

il processo produttivo aprendo a logiche prefabbricative

ed economie di scala, connettendo l’automazione cognitiva

con quella fabbricativa.

Habitat ‘67.

Ideato da Moshe Safdie per l’expo

di Montréal del 1967, connette

logiche prefabbricative con una

generazione combinatoria degli

spazi.

Piante e schizzi.

Il progetto mantiene una logica

funzionalista, individuando unità

funzionali di base e aggregandole

108

In alto.

Installazione di Gilles Retsin per

la biennale di architettura di Tallin

(TAB) del 2017.

A destra.

Il progetto ribalta il concetto di

elemento definito dalla propria

funzione, proponendo parti generiche,

che assumono senso

solo nell’aggregazione.

3. Saper vedere l’architettura. La quantità e la complessità

degli spazi generati pone una seria sfida all’analisi dei risultati.

Se un’analisi quanitativa è certamente possibile, essa

può servire più da sistema di orientamento generale, che

da criterio di scelta. Dunque è necessario addentrarsi nei

territori dell’esperienza e dei valori qualitativi.

Si è scelto di non affidare la comunicazione delle qualità

spaziali ad un unica rappresentazione sintetica, ma trattare

l’insieme dele rappresentazioni come una molteplicità irriducibile.

Sostituendo a un immagine una sequenza, o meglio

una rete di immagini si riduce il rischio dell’equivoco fra

l’architettura e la sua immagine.


109

Assemblaggi Discreti

Raffigurare lo spazio

In questa pagina

Molteplici rappresentazioni della

pianta della Basilica di San Pietro

nella versione


110


111

Set di tiles

Logiche connettive

In questa tavola.

Esempio di sviluppo di un set d

tiles tridimensionale, con qualità

d igenericità e direzionalità.

Set di tiles

Regole connettive nel piano


Regole connettive lungo le diagonali

112

Regole connettive negli angoli


Regole connettive lungo le verticali

113

Mappe

Analisi comparativa degli assemblaggi generati


114


115

Mappe



116


117

Mappe



118


119

Assemblaggi

Metodologia d’analisi


Vista globale e parametri di analisi

120

Analisi dei vuoti

Analisi della connettività


121

Assemblaggi

Metodologia d’analisi


Viste interne generate automaticamente

122

Vista dall’alto

Vista in prospetto


123

Assemblaggi

Analisi


124

Sistema dei vuoti

Connettività


125

Pianta

Sezione

Assemblaggi

Analisi


126

Sistema dei vuoti

Connettività


127

Pianta

Sezione

Assemblaggi

Analisi


128

Sistema dei vuoti

Connettività


129

Pianta

Sezione

Assemblaggi

Analisi


130

Sistema dei vuoti

Connettività


131

Pianta

Sezione

Assemblaggi

Analisi


132

Sistema dei vuoti

Connettività


133

Pianta

Sezione

Case Study


134


135

Case Study


136


137

Case Study


138


139

Case Study

Case Study

Case Study


154


155

Case Study


156


157

Case Study


158


159

Conclusioni

Questa tesi è stata una ricerca che muove dal riconoscimento

dei limiti del paradigma che vuole la cognizione umana

come autonoma e sufficiente a se stessa, nell’atto di concepire

e creare. Passa per l’idea che ogni processo di cognizione,

sia una rete di cognizioni, che estende e modifica i

percorsi della nostra mente, in cui l’atto della concezione è

non-locale, distribuito, e non può dirsi appartenente in via

esclusiva a nessuna delle singole parti. Questa tesi è volta ad

esplorare il territorio aperto dalla domanda:

È possibile inserire in questa rete cognizioni non-umane

sufficientemente complesse da assumere in parte la responsabilità

della creazione, per generare spazi, luoghi

e ogni altro esito che è possibile chiamare architettura?

Evitando la tentazione di ridurre questa domanda ad un

problema che ammette una risposta definitiva, si è cercato

invece di seguirne le aperture, le linee di fuga che da essa

si dipartono, per ridefinire i confini della nostra idea di architettura,

individuando quattro linee di indagine. Percorsi

intrecciati, i cui punti nodali, di intersezione, interscambio,

sono stati i più fertili e significativi.


161

Si è partiti dal concepire gli strumenti non come mere passività

pronte all’utilizzo, ma elementi attivi dotati di una propria

agency, capaci di suggerire con la propria affordance

linee di azione privilegiate e di inibirne altre. Ribaltando il

paradigma che vuole lo strumento totalmente determinato

dall’utilizzatore e riconoscendo, come fa Simondon, la tensione

verso un’autonomia, verso l’instaurazione di un ordine

e la capacità di estendere o indirizzare l’agire umano secondo

proprie direzioni. Si è proseguito col riconoscere che

queste qualità, al crescere della complessità dello strumento,

portano all’emergenza di una tensione fra l’utilizzatore e

l’utilizzato, sfocando i confini di questa distinzione e aprendo

ad un’autorialità e una responsabilità deterritorializzata.

Si è giunti a individuare nelle reti neurali artificiali, un possibile

punto di partenza lungo questa direttrice. In particolare,

la capacità stabilire correlazioni non-lineari fra input e output

e la possibilità di costruire una rappresentazione interna,

in forma vettoriale, dello spazio del problema, consentono

al sistema di affrontare la complessità, sviluppando una risposta

generalizzabile e aperta.

Conclusioni Assemblaggi spaziali

Per rendere trattabile con le tecniche di Machine Learning

il problema della generazione spaziale, è stato necessario

passare ad una rappresentazione discreta dello spazio, definendo

un insieme ristretto di parti da cui emergesse un

vasto insieme di condizioni in un processo generativo di

tipo combinatorio, come dimostrato dalla complessità degli

aggregati mostrati nelle pagine 42 e successive. In specie,

l’algoritmo di Wave Function Collapse è servito da piattaforma

per definire un campo di possibilità esplorabile e indirizzabile

dalla rete neurale. La possibilità di definire a priori

dei vincoli di connessione e al contempo, investire la rete

neurale della scelta dell’elemento da un set di parti possibili,

rende questo algoritmo la superficie liminare, di scambio fra

l’agency del designer e quella dell’intelligenza artificiale.

162

In questo frangente è emersa la stretta correlazione fra le

conseguenze dell’automazione cognitiva con l’orizzonte

dell’automazione fabbricativa. Connettendo un sistema automatico

di pensiero spaziale con la possibilità di automatizzarne

l’incarnazione materiale, si stabilisce un corto circuito,

un feedback loop capace di accelerare l’evoluzione di

entrambi i sistemi, le cui conseguenze si posizionano rapidamente

oltre l’orizzonte di ciò che è prevedibile.

L’impiego di un sistema di Reinforcement Learning, per sviluppare

e affinare questa cognizione non-umana, è stato

determinato dalla coscienza della necessità di un rapporto,

di un confronto con l’ambiente affinché emerga una cognizione

capace di esplorarlo. Il modello utilizzato, illustrato

nel paragrafo “Training”, è basato sulla Proximal Policy Optimization.

Si è dimostrato sufficientemente generale, capace

di operare sia in spazi bidimensionali che tridimensionali,

con diversi set di elementi da assemblare, pur mantenendo

la stessa architettura e gli stessi iper-parametri. Al contempo

è emersa, su un duplice livello, l’importanza del design

delle parti e delle loro regole di assemblaggio: design che

deve bilanciare due tendenze divergenti. è necessario dotare

le componenti di di un certo grado di complessità formale

e topologica per estendere il novero delle condizioni

spaziali emergenti, mentre è necessario che ad ogni iterazione

la rete neurale abbia possibilità di scelta, affinché possa

perseguire gli obbiettivi fissati. Al crescere della complessità

formale/topologica, aumenta la specificità del componente

e decresce la sua capacità connettiva.

In questo senso, i descrittori quantitativi impiegati, come

mostrato nella sezione “Qualità spaziali”, sono stati intesi

come stimoli all’esplorazione dello spazio delle soluzioni,

invece che come obbiettivi chiusi di un processo di ottimizzazione.


163

Queste stesse qualità sono poi state tradotte nel sistema

di coordinate che consente di orientarsi fra i risultati che

il processo genera, visualizzando le qualità organizzative

di ogni assemblaggio, connettendo l’analisi quantitativa a

quella percettiva, si è affrontato nell’ultimo capitolo il problema

sempre aperto dell’esplorare con i limiti della nostra

cognizione, una quantità di possibilità sovrabbondante.

Infine, nella sezione di analisi degli aggregati, si è riconosciuto

il carattere irriducibile di questa molteplicità, che non forma

semplicemente un catalogo di scelte differenti, ma una

rete inestricabile di affinità e divergenze. Così facendo, se

osservata alla debita distanza, dalla sua figura emerge una

mappa, fatta di percorsi che esplorano le relazioni non-lineari

fra questi assemblaggi, che eccedono le dimensioni dello

spazio, estendendosi in quelle del tempo e dell’esperienza.

Ma è necessario, a un certo punto, distogliere lo sguardo da

questa contemplazione e cominciare a esplorare le specificità

e le conseguenze di questo campo di possibilità. Perché

ogni progetto è la chiusura di queste linee di fuga molteplici

e divergenti, nella singolarità, nella vertigine e nel rischio

della scelta.

Conclusioni Assemblaggi spaziali

164


165

Bibliografia

Carpo, Mario, The Alphabet and the Algorithm, The MIT Press, Cambridge, 2011

De Landa, Manuel, A Thousand Years of Nonlinear History, Zone Books, Princeton,

2000

Deleuze & Guattari, Mille piani. Capitalismo e schizofrenia, Orthotes, Nocera, 2017

Hofstadter, Douglas R., Gödel, Escher, Bach: un’Eterna Ghirlanda Brillante, Adelphi,

Milano, 1990

Holland, John, Emergence, Basic Books, New York, 1999

Johnson, Steven, Emergence: The Connected Lives of Ants, Brains, Cities and Software,

Penguin Books, London, 2002

Kelly, Kevin, What technology Wants, Penguin Books, London, 2010

Reiser, Jesse, Umemoto, David, Atlas of Novel Tectonics, Princeton Architectural Press,

New York, 2006

Spuybroek, Lars, The Architecture of Continuity: Essays and Conversations, nai010 publishers,

Rotterdam, 2009

Zevi, Bruno, Architettura in nuce, Sansoni, Firenze ,1994

Zevi, Bruno, Saper vedere l’architettura, Einaudi, Torino, 1948


167

Articoli

Bengio, Yoshua, Jérôme Louradour, Ronan Collobert, Jason Weston. 2009. “Curriculum

Learning.” In ICML ‘09: Proceedings of the 26th Annual International Conference on

Machine Learning. New Yok, NY, USA: ACM. 41–48.

Forster Gage, Mark, “Project Mayhem”, in ISSUE #18: DISSENSUS, June 2011

Heaton, Robert. 2018. “The Wavefunction Collapse Algorithm Explained Very Clearly.”

Accessed June 23, 2020. https://robertheaton.com/2018/12/17/wavefunction-collapse-algorithm/.

Hensel, Michael, Menges, Achim: Towards Heterogeneous Space In Architecture Design,

Morpho-Ecologies, AA publications, London, 2007

Juliani, Arthur, Vincent-Pierre Berges, Ervin Teng, Andrew Cohen, Jonathan Harper,

Chris Elion, Chris Goy, Yuan Gao et al. 2020. “Unity: A general platform for intelligent

agents.” arXiv:1809.02627v2.

Leach, Neil. 2009. “Digital Tool Thinking: Object Oriented Ontology versus New Materialism.”

In ACADIA 2016 POSTHUMAN FRONTIERS: Data, Designers, and Cognitive

Machines Projects Catalog of the 36th Annual Conference of the Association for Computer

Aided Design in Architecture, edited by N. Leach. Ann Arbor: ACADIA. 344–351.

Otto, Frei, “Process Occupation”, in Occupying and Connecting, Edition Axel Menges,

Stuttgart, 2009

Pasquinelli, Matteo, “Three Thousand Years of Algorithmic Rituals: The Emergence of AI

from the Computation of Space”, in e-flux, Journal #101, June 2019

Schulman, John, Filip Wolski, Prafulla Dhariwal, Alec Radford, Oleg Klimov. 2017. “Proximal

policy optimization algorithms.” arXiv:1707.06347v2.

Sitografia

Bryant, Levi, “Denaturing Nature”, in Larval Subjects (https://larvalsubjects.wordpress.

com/2012/05/24/denaturing-nature/), May 2020

Bryant, Levi, “Machine-Oriented Architecture: Experiments in Absolute Architecture”, in

Larval Subjects (https://larvalsubjects.wordpress.com/2015/03/11/machine-oriented-architecture-experiments-in-absolute-architecture/),

March 2020

Bryant, Levi, “Social Ecologies”, in Larval Subjects (https://larvalsubjects.wordpress.

com/2015/01/26/social-ecologies/), January 2020

Olah, Christopher, “Neural Networks, Manifolds, and Topology” http://colah.github.io/

posts/2014-03-NN-Manifolds-Topology/

Gumin, Maxim. 2016. “Bitmap & tilemap generation from a single example by collapsing

a wave function.” Accessed June 23, 2020. https://github.com/mxgmn/WaveFunctionCollapse.

Kelly, Kevin, “Thinkism”, https://kk.org/thetechnium/thinkism/, June 2020.

Kerr, Dylan, “What Is Object-Oriented Ontology?”, in https://www.artspace.com/magazine/interviews_features/the_big_idea/a-guide-to-object-oriented-ontology-art-53690,

April 2020

McCarthy, Cormac, “The Kekulé Problem”, http://nautil.us/issue/47/consciousness/thekekul-problem,

Mrch 2020

Shafkat, Irhum, “Intuitively Understanding Convolutions for Deep Learning”, https://to-

wardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f-

42faee1, June 2020


169

Shaviro, Steven, Against self-organization in http://www.shaviro.com/Blog/?p=756,

May 2020

Shaviro, Steven, Simondon on Individuation in http://www.shaviro.com/Blog/?p=471,

May 2020

Shaviro, Steven, Twenty-two Theses on Nature in http://www.shaviro.com/

Blog/?p=1253 , April 2020

Metz, Tracy, Nature is an agreement, http://www.youtube.com/watch?v=HVg8MGgL-

Hyk&feature=youtu.be, June 2020

Burnham, Daniel, Kant: the sublime, https://www.iep.utm.edu/kantaest/#SH2c, May

2020


171

Cognitive Assemblages

Create successful ePaper yourself

Delete template?

Save as template?