ҚОЛДАНБАЛЫ ДИЗАЙН МӘСЕЛЕЛЕРІН ШЕШУДЕ МУЛЬТИГЕНЕРАТИВТІ НЕЙРОНДЫҚ ЖЕЛІ МОДЕЛЬДЕРІН САЛЫСТЫРМАЛЫ ТАЛДАУ

Мақалада дизайндағы қолданбалы есептерді шешу үшін мультигенеративті нейрондық желі модельдерін қолдану мүмкіндіктері қарастырылады. Зерттеудің мақсаты берілген мәтіндік промттар мен бастапқы визуалды деректер негізінде chatgpt, Gemini және Copilot нейрондық желілері орындаған дизайн жобаларының генерациялау нәтижелерін салыстырмалы бағалау болды. Эксперимент шеңберінде тапсырмалардың екі түрі қалыптасты: жаңа шағын архитектуралық форманы құру және компьютерлік аудиторияның қолданыстағы дизайн жобасын нақтылау. Нәтижелерді бағалауды дизайнерлердің сараптамалық тобы көркемдік, функционалдық, эргономикалық және экономикалық параметрлерді қамтитын критерийлер жүйесі бойынша жүзеге асырды. Нәтижелер мультигенеративті нейрондық желілер технологиялық күрделілік, дизайн экспрессивтілігі және іске асырылу дәрежесі бойынша ерекшеленетін бәсекеге қабілетті тұжырымдамалық шешімдерді жасауға қабілетті екенін көрсетті. Ең теңдестірілген нәтижелер визуалды экспрессивтілік пен практикалық қолданудың үйлесіміне бағытталған шешімдерді көрсетті. Дизайндағы жобалық қызметті қолдау құралы ретінде мультигенеративті тәсілдерді қолданудың болашағы туралы қорытынды жасалды.

1. Choo S. Generative artificial intelligence and building design: early photorealistic render visualization of facades using local identity-trained models // Journal of Computational Design and Engineering. - 2024. - URL: https://doi.org/10.1093/icde/qwae017 (data obrashcheniya: 15.02.2026).

2. Yuan P.F. Toward a generative Al-augmented design era // Architectural Intelligence. - 2023. - URL: https://doi.org/10.1007/s44223-023-00038-9 (data obrashcheniya: 10.02.2026).

3. Odiah A., Gosling S. Laying the foundations for using generative AI images in architectural research // Architectural Intelligence. - 2024. - URL: https://doi.org/10.1007/s44223-024-00076-x (data obrashcheniya: 01.02.2026).

4. Wang X., He Z., Peng X. Artificial-Intelligence-Generated Content with Diffusion Models: A Literature Review // Mathematics. - 2024. - URL: https://doi.org/10.3390/math12070977 (data obrashcheniya: 14.02.2026) .

5. Cao Y., Aziz A.A., Arshard W.N.R. Stable diffusion in architectural design: Closing doors or opening new horizons? // International Journal of Architectural Computing. - 2024. - URL: https://doi.org/10.1177/14780771241270257 (data obrashcheniya: 11.02.2026).

6. Li C., Zhang T., Du X., et al. Generative AI Models for Different Steps in Architectural Design: A Literature Review - 2024. - URL: https://doi.org/10.48550/arXiv.2404.01335 (data obrashcheniya: 11.02.2026) .

7. He Z., Wang Y.-H., Zhang J. Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI - 2023. - URL: https://doi.org/10.1016/i.inffus.2024.102654 (data obrashcheniya: 19.02.2026).

8. Kapsalis T. UrbanGenAI: Reconstructing Urban Landscapes using Panoptic Segmentation and Diffusion Models // arXiv. - 2024. - URL: https://arxiv.org/abs/2401.14379 (data obrashcheniya: 12.02.2026).

9. Li P., Li B. Generating Daylight-driven Architectural Design via Diffusion Models // arXiv. - 2024. - URL: https://doi.org/10.48550/arXiv.2404.13353 (data obrashcheniya: 15.02.2026).

10. Blinova M., Molodcha M. Use of Artificial Intelligence in Educational Design for Architecture Students // Municipal Economy of Cities. - 2024. - URL: https://doi.org/10.33042/2522-1809-2024-3-184-53-58 (data obrashcheniya: 10.02.2026).

11. Generative AI models for different steps in architectural design: A literature review // Frontiers of Architectural Research. - 2024. - URL: https://doi.org/10.1016/i.foar.2024.10.001 (data obrashcheniya: 10.02.2026)