《Buildings》：Recovering Predefined Door-Placement Rules from BIM Geometry: A Controlled Benchmark of Graph Transformers over Neural Signed Distance Function Embeddings
编辑推荐：
设计错误带入施工阶段会导致返工、材料浪费和可避免的隐含碳。基于规则的建筑信息模型（BIM）合规性检查能够识别明确的设计问题。然而，现有规则引擎难以捕捉复杂空间布局及周边构件之间的上下文几何关系。人工智能（AI）提供了一种有前景的替代方案，可直接从BIM数据中学
设计错误带入施工阶段会导致返工、材料浪费和可避免的隐含碳。基于规则的建筑信息模型（BIM）合规性检查能够识别明确的设计问题。然而，现有规则引擎难以捕捉复杂空间布局及周边构件之间的上下文几何关系。人工智能（AI）提供了一种有前景的替代方案，可直接从BIM数据中学习专家实践中隐性的、依赖几何的约定。然而，现有AI方法要么从二维表示中学习，要么依赖预先假定目标规则的手工几何特征。研究人员在源自单一公寓平面图的参数化基准上开展了一项受控研究。一个图Transformer（graph transformer）预测被掩蔽的门沿已知宿主墙应处的位置。该模型从BIM拓扑和姿态条件化的神经符号距离函数（SDF）嵌入中学习，不使用显式坐标特征。在未见刚体变换上，该模型达到79.1%的侧向准确率。图注意力基线达到68.9%，消息传递基线停留在随机水平。在拓扑不同的第二个平面图上，准确率达到68.2%。训练数据加倍并未提升该指标。未经重新训练，第一个平面图的模型在第二个平面图上达到74.0%。在未见房间语义配置上的性能降至随机水平。这是学习隐性设计约定的必要一步。
论文解读文章
一、研究背景与问题
建筑环境的可持续性通常围绕两个碳账户展开：建筑材料所含的隐含碳和建筑全生命周期消耗的运营碳。然而，第三个碳账户同样不可忽视——施工过程中消耗但从未体现在最终资产中的材料与能源。施工和拆除活动产生工业部门中最大的固体废弃物流之一，其中很大一部分并非不可避免的建筑副产品，而是返工的残留物。大量返工源于设计阶段，表现为设计错误、遗漏和后期变更。一旦错误规格传播到制造环节，构件将因尺寸或接口问题无法安装，被报废或积压，替换件需从原生材料生产并额外运输至现场，每一步都携带自身的隐含碳和运输排放。因此，设计交付物的质量不仅是商业变量，更是可持续性变量。
传统上，设计质量通过人工审查保障，但这一机制存在两个结构性局限：第一，具备胜任能力的审查依赖多年积累的专业经验，而这类经验流失速度快于补充速度，同时单一专业模型可能携带数万个构件；第二，即使投入无限注意力也无法保证正确性，因为人工检查劳动密集且易受人为错误和疏漏影响。
自动化合规性检查已成为行业期待的解决方案，主流实现基于规则，即条款被转写为显式逻辑或数值谓词。该范式在条款本身明确且量化时表现良好，但在两类情况下急剧退化：当条款是定性或裁量性的，如"充分""合适""可行处"等表述，无法忠实转化为谓词；当要求依赖几何时，可接受配置空间必须手工枚举，因该枚举实际上无界，任何有限规则集只能覆盖作者预见的案例。更重要的是，大量决定优秀设计的内容从未被书写下来，它们是通过学徒制习得的隐性约定，完全超出基于转写的方法所能触及的范围。
人工智能提供了补充路径，可直接从数据中推断潜在规律。但数字建筑数据（主要是BIM）中的信息应如何提取并呈现给模型仍不清楚。现有策略中，一种将三维模型降为二维平面表示，因投影丢弃了区分构件的剖面和立面几何，性能受限于表示保留的信息；另一种将模型视为图，用图神经网络学习构件间连接，但节点特征通常手工指定，模型只能发现以特征设计者认为相关的量表达的关系，表示因而预先假定待学习的规则。
二、研究内容与结论
本研究构建了一个参数化基准：从导出为工业基础类（IFC）的真实公寓模型中删除一扇门，替换为不携带自身几何的占位节点。该门应处的位置由三条预定义放置规则决定，复杂度递增：基于相邻墙长度的阈值规则、基于命名房间所在平面侧别的标签条件手性规则、以及基于唯一类型窗位置的关联规则。图Transformer被要求仅从周围构件的姿态条件化符号距离函数（SDF）嵌入和IFC模型拓扑中恢复该位置，不提供显式坐标特征。性能仅在从嵌入拟合和训练中均 withheld 的整个平面刚体变换上测量，因此测试的是相对几何的恢复而非熟悉场景的回忆。
研究得出以下主要结论：在未见刚体变换上，图Transformer达到79.1%侧向准确率；图注意力基线为68.9%，消息传递基线停留在随机水平。在拓扑不同的第二个平面图上达到68.2%，训练数据加倍未提升该指标。未经重新训练，第一平面图模型在第二平面图上达到74.0%。在未见房间语义配置上性能降至随机水平。单规则隔离训练下，每条规则均可从四分之一数据达到97.8%–98.2%侧向准确率，表明联合模型的不足源于规则组合成本而非单规则难度。姿态蒸馏辅助损失在三个匹配种子上平均提升8.4个百分点侧向准确率。几何是必要的且承载大部分性能，图结构带来真实增量，最短路径和边路径编码贡献较小部分，架构本身超越这些组件。
本研究的意义在于：这是迈向学习隐性设计约定的必要一步，表明学习模型可以补充规则引擎处理难以转写的约定。研究同时绘制了失败图谱：未见房间语义配置、近阈值墙长和规则组合处是失败集中区域。
三、关键技术方法
本研究采用四阶段流水线：参数化IFC变体生成与刚体变换增强；在149个训练副本上进行SDF采样和嵌入训练，holdout副本嵌入随后针对冻结解码器归纳拟合；从IFC提取图并将学习到的嵌入写回为节点特征；Graphormer训练与holdout评估。嵌入采用DeepSDF自解码器与Instant-NGP多分辨率哈希网格坐标编码结合的姿态条件化自解码器，每个构件实例获得128维潜在码，姿态烘焙入潜在码而非归一化到规范坐标系。图构建使用五类IFC关系类型（SEPARATES、CONNECTS、HAS_DOOR、HAS_WINDOW、INTERNAL_TO），节点属性记录采用TabTransformer设计，每个字段作为独立token处理。输出采用变换不变参数化，沿墙标量s经宿主墙中心与单位轴在模型外合成世界坐标。辅助姿态蒸馏损失以线性头预测各真实节点二维质心，仅用于训练。评估协议包含12个独立holdout变换的聚类bootstrap不确定性、跨种子不确定性、以及线性探针建立的衍生性上限。
四、研究结果
实验1：预测头消融证伪坐标系假设。 三种预测头（绝对回归、偏移预测、轴乘积变体）在未见变换上全部崩溃至3.4–4.0米误差，轴乘积变体学到符号反转的答案，表明网络无法从姿态条件化嵌入重建全局坐标系。
实验2：捷径审计与衍生性上限。 初始结果中两条规则达到100%而语义规则停留在随机水平，审计发现分类名称属性携带Revit实例编号和长度后缀，两条规则为纯词汇查找。去标识后两规则降至70.1%和76.6%。线性探针在holdout副本上达到平均质心误差8.7厘米，手工编码流水线消费探针质心、拓扑和允许的分类特征在90.7%的holdout图上选择正确槽位。
实验3：姿态蒸馏辅助损失。 蒸馏在三个匹配种子上每种子提升侧向准确率7.8、5.1和12.3个百分点，平均增益8.4个百分点，95%置信区间3.7至13.5个百分点，排除零。蒸馏还加速收敛并稳定语义规则。
实验4：旋转多样性扩展与最终模型。 将刚体变换副本从81增至161，整体侧向准确率从88.2%移至92.7%，超过0.5米错误份额从19.3%降至10.8%，最差副本准确率从72%升至81%。最终模型五种子平均holdout侧向准确率79.1%±1.8个百分点。
实验5：消息传递与图注意力基线。 仅替换图编码器为GINE深度8，三个种子holdout侧向准确率49.2%、51.3%、50.5%，处于随机水平，虽完美拟合seen测试。GAT基线达到68.9%。Graphormer在全部十二个变换上优于GINE，在十一个上优于GAT。
实验6：失败解剖。 失败率取决于判定墙长但各规则不同：六窗规则随最短存在可变墙长度单调上升，从无墙时的6.9%到900毫米时的66.1%；单墙规则对所有有效墙长大致恒定在20–25%；语义规则在1200毫米时为2.2%，1500毫米以上为零。所有2779个超过0.5米的错误均落在错误槽位，78.9%来自六窗规则。旋转插值被排除：每副本准确率与最近训练旋转的角距离无关。
实验7：单规则消融。 每条规则隔离训练从四分之一数据达到97.8%–98.2%侧向准确率，六窗规则从71.2%恢复、单墙规则从80.8%恢复。随机混合规则样本的等体积控制模型达到80.6%，与完整联合模型不可区分，定位增益在移除规则组合而非数据量变化。
实验8：性能来源。 几何必要且承载大部分性能：真实潜在码无信息结构达73.6%，真实结构无几何仅55.1%，两者皆无为随机水平。图结构在几何之上增加7.2个百分点，最短路径和边路径编码占其中较小部分。
实验9至11： 实验9测试未见配置泛化，在未见房间语义配置上性能降至随机水平。实验10测试扰动输入鲁棒性。实验11在第二平面图上重复核心实验达到68.2%，第一平面图模型无重训练迁移至第二平面图达74.0%。
五、讨论与结论
讨论部分指出，本研究的失败集中在必须从学习到的几何中读取硬度量阈值之处，部署场景需要校准的不确定性和对审查者的转交。研究局限包括：规则由作者预定义以产生可判定真值，不证明可从专家实践中发现隐性约定；泛化仅在有限形式下测试，不适用于任意BIM模型；姿态烘焙入潜在码意味着编码器需花费容量表示构件位置，每单位潜在宽度的重建保真度低于规范化编码器。
研究结论为：三个预定义的、依赖几何的放置规则可以从姿态条件化三维几何和拓扑在未见刚体变换下恢复，在深入研究的平面图上达到79.1%侧向准确率，在拓扑不同的第二平面图上以较低准确率达到68.2%。模型从第一平面图无重训练迁移至第二平面图。失败图谱显示：未见房间语义配置、近阈值墙长和规则组合是失败集中区域。这是学习隐性设计约定的必要条件而非证明，表明学习模型可以补充规则引擎处理难以转写的约定。
