“All is algorithm”

[Gregory Chaitin]

Se ogni fenomeno del mondo fisico può essere tradotto in algoritmo, appare chiaro che le nuove tecnologie informatiche diventano importanti catalizzatori di relazioni tra discipline diverse. In particolare esse contribuiscono a ridefinire la relazione tra architettura e mondo naturale. Ciò avviene nel solco della più ampia rivoluzione che come afferma Karl Chu, nell’articolo del 2006 “Architettura genetica”, è data dalla convergenza delle ricerche sviluppate parallelamente nei campi della computazione e delle scienze biologiche.

Nel corso dei decenni il ruolo dell’information technology in ambito progettuale è notevolmente cambiato. Se all’inizio, con la nascita e la diffusione dei primi programmi CAD, si assistette all’ottimizzazione del processo di rappresentazione, a partire dagli anni ’90 del secolo scorso, si comprese quanto le implicazioni dell’uso dei software nella progettazione, andassero ben oltre un risparmio di tempo per il progettista e che il vero potenziale rivoluzionario risieda nella loro capacità “generativa” che ha finito per mettere in discussione i tradizionali metodi di progettazione.

Ne è esempio uno degli ultimi sviluppi in questa nuova ottica, che viene definito “progettazione parametrica”, nella quale il processo progettuale si identifica sempre di più nella definizione di un “codice”, ovvero della serie di algoritmi attraverso i quali il computer definisce il progetto. Tale approccio, orientato più alla costruzione del codice che non alla ricerca della forma finale, fa somigliare i progettisti a degli ingegneri genetici, ed è su questa analogia che si aprono nuovi orizzonti nella relazione tra architettura e natura in un’ottica di sviluppo sostenibile delle nostre città.

Gli ultimi anni hanno visto l’introduzione di una particolare forma di algoritmi detti “algoritmi genetici”, un ramo della computazione evolutiva. L’idea di base è che i principi dell’evoluzione naturale, teorizzati da Charles Darwin, possano costituire un modello da poter utilizzare per la risoluzione di problemi complessi di varia natura tra cui quello progettuale.

Siamo di fronte a un nuovo modo di ispirarsi alla natura, in cui non sono tanto le forme esteriori ad essere imitate quanto i meccanismi stessi che le hanno generate, per arrivare a quella sintesi tra forma e performance tipica del mondo biologico. Tali algoritmi nacquero negli anni cinquanta-sessanta del secolo scorso quando, seppur la capacità computazionale a disposizione fosse modesta, si riconobbe nella selezione naturale un processo di ottimizzazione che poteva essere riprodotto e applicato in diversi campi.

La loro definizione avvenne nel 1975 con l’uscita, ad opera di John Hollande, del libro “Adaption in a Natural and Artificial Systems”. Nei decenni seguenti, con l’avanzare delle capacità tecnologiche, diversi studiosi si impegnarono in questo filone fino ad arrivare nel 1990 al grande congresso che si tenne a Dortmund, intitolato Parallel Problem Solving from Nature.

Attualmente gli algoritmi genetici trovano applicazione nei più diversi campi che vanno dall’intelligenza artificiale, all’elettronica, all’economia fino alla progettazione. Un semplice esempio, già utilizzato da Manuel Delanda nell’articolo del 2001 “Deleuze and the Use of Genetic Algorithm in Architecture”, rende chiaro il senso dell’approccio parametrico e poi genetico alla progettazione.

Supponiamo di dover costruire una colonna, l’algoritmo sarà costituito dai seguenti passaggi:

1) Definizione del parametro “profilo”;
2) Definizione del parametro “asse di rotazione”;
3) Costruzione della superficie di rotazione;
4) Costruzione dei volumi delle scanalature da sottrarre;
5) Sottrazione booleana di tali volumi da quello della colonna.

Per comprendere il salto concettuale che ne consegue, come suggerisce lo stesso De Landa, è necessario introdurre un concetto preso in prestito dai biologi che hanno sintetizzato le teorie di Darwin e Mendel: il population thinking il cui senso è riassumibile nell’assunto “Mai pensare in termini di Adamo ed Eva ma sempre in termini di grandi comunità che si riproducono”.

Approssimazione del ritratto di Charles Darwin attraverso l’algoritmo genetico, Courtesy of: Peter Collingridge, Fonte: http://www.petercollingridge.co.uk/book/export/html/14

Se consideriamo l’esempio precedente infatti, l’algoritmo ci restituisce come output non una singola colonna ma un intera popolazione di colonne, ciascuna con caratteristiche geometriche diverse al variare dei parametri iniziali. Abbiamo dunque definito il “DNA” dell’elemento colonna, nel quale i parametri rappresentano “geni” e “cromosomi”.

Ognuna delle colonne generate risponderà in maniera diversa e più o meno efficiente a determinate condizioni ambientali, come ad esempio le sue proporzioni rispetto ai canoni, o la capacità di assolvere alla sua funzione strutturale. Analogamente a quanto avviene in natura, un algoritmo genetico permette di far evolvere la “popolazione” di soluzioni, selezionando quelle più efficienti rispetto a determinate condizioni che sono definite attraverso una funzione chiamata appunto “fitness”. Le soluzioni selezionate vengono a loro volta usate per generare ulteriori soluzioni,  simulando quindi attraverso il calcolo iterativo, il processo alla base dell’evoluzione naturale, secondo il seguente funzionamento:

1. Generazione casuale della prima popolazione di soluzioni (cromosomi).
2. Applicazione della funzione di fitness alle soluzioni (cromosomi) appartenenti all’attuale popolazione.
3. Selezione delle soluzioni considerate migliori in base al risultato della funzione di fitness e della logica di selezione scelta.
4. Procedimento di crossover per generare delle soluzioni ibride a partire dalle soluzioni scelte al punto 3.
5. Creazione di una nuova popolazione a partire dalle soluzioni identificate al punto 4.
6. Riesecuzione della procedura a partire dal punto 2 ed utilizzando la nuova popolazione creata al punto 5.

Ad ogni iterazione, l’algoritmo fornisce soluzioni via via più vicine a quella ottimale rispetto ai criteri di fitness utilizzati.

In un momento come quello attuale, in cui la ricerca architettonica è orientata all’efficienza e alla performance, tale metodo rappresenta uno strumento formidabile. Ne è prova il lavoro di Matsuro Sasaki, consulente per le strutture degli architetti Toyo Ito e Arata Isozaki. Nel progetto sviluppato con quest’ultimo, nel 2003, in occasione del concorso internazionale per la nuova stazione TAV di Firenze, la grande copertura piana è sostenuta da una struttura dall’aspetto organico risultato dell’utilizzo della tecnica ESO (Evolutionary Structural Optimization) che usa un’algoritmo genetico per ottimizzare la struttura eliminando le parti di materiale non collaborante.

Stazione TAV di firenze Arata Isozaki

Tuttavia, l’utilizzo della computazione evolutiva in architettura non si limita all’ambito dell’ottimizzazione strutturale, ma ad ogni problema che può essere matematicamente formulato. Uno degli ambiti di interesse in cui si stanno sperimentando particolari applicazioni è quello che considera criteri di carattere ambientale. In tal senso si distinguono i progetti di Kol/Mac Studio che da anni lavora su un’idea di città topologicamente intesa, in cui l’architettura è vista come superficie continua di contatto tra interno ed esterno in rapporto ai suoi elementi naturali quali l’acqua, l’aria e la luce.

Tra i progetti rappresentativi di quest’idea vi è INVERSAbrane, che si configura come una superficie dalla geometria complessa il cui obiettivo è quello di migliorare il contatto con l’aria, la luce solare e l’acqua,  attraverso un lavoro sulla forma mirato alla massimizzazione del rapporto volume-superficie, proponendo un nuovo concetto di scambio eco-sistemico tra edificio, città e ambiente.

INVERSAbrane: Modello computazionale. Image courtesy Kol/Mac LLC through http://www.spreiertrenner.de/

La superficie progettata in tal modo permette di raccogliere l’acqua piovana, assorbire l’energia solare – ottimizzando l’esposizione – e favorire la circolazione dell’aria. Il tutto minimizzando l’uso di materiale per aumentare l’economicità del progetto.

clicca sull’immagine per vedere il video

La proposta rappresenta un passo in avanti sia per quanto riguarda le attuali soluzioni di “parete verde” per l’integrazione delle tecniche di progettazione con aspetti di ingegneria strutturale, tecnologie di fabbricazione digitale e ricerche in campo ecologico, sia per quanto riguarda il coinvolgimento di diversi attori come Dupont Corian, Dupont Kevlar, Autodesk, Evans&Paul e BioGraphic Technologies.

Quest’ultimo aspetto ci porta ad un ultima riflessione in merito alla ridefinizione dei ruoli degli attori coinvolti nella progettazione. Gli artefatti in questione, creati all’interno del paradigma informatico, risentono dell’influenza delle culture Open source e Peer to peer e spesso nascono o vengono implementati all’interno di community di progettisti, che attraverso varie piattaforme web, mettono a disposizione e condividono apertamente file, idee e materiali che restano aperti a ulteriori sviluppi.

L’obiettivo a questo punto non è più trovare “la” soluzione a uno dato problema posto da una specifica utenza, ma fornire una gamma di possibili soluzioni destinate a molteplici utenze. Come afferma Michel Bauwens: “in questo sistema [peer economy, ndr.] non esistono prodotti finiti, ma soltanto artefatti in continua evoluzione. Non esiste un giudizio a priori, ma soltanto giudizi a posteriori e distribuiti”. (Bauwens, 2010)

Riferimenti:

AA.VV., Voce Algoritmo genetico su Wikipedia italia

ARMSTRONG, Rachel (2012). Living Architecture, TED Books

BAUWENS, M. (2008, 12 08), Michel Bauwens and the Peer Production Economy (D. Bollier, intervistatore)

BONAFEDE, Maria Elisabetta (2011). Architettura e Algoritmi. In Arch&Web – Scritti

DELANDA, Manuel (2001). Deleuze and the use of the Genetic Algorithm in Architecture

 Davide Motta | nITro