Tidlige regelbaserede tilgange (1970'erne–1980'erne)
Bestræbelserne på at automatisere design af grundplaner begyndte allerede i 1970'erne. En af de første konceptuelle milepæle var introduktionen af formgrammatik af Stiny og Gips i 1971 – et formelt regelbaseret system til generering af designs, herunder arkitektoniske layouts, via rekursive formtransformationsregler. Disse tidlige tilgange var stort set symbolske eller regelbaserede: For eksempel forsøgte Friedman i sit arbejde fra 1971 sig med algoritmisk rumplanlægning, og Mitchells teori fra 1976 beskrev en metode til at opregne mulige rumindretninger. I slutningen af 1970'erne og 1980'erne undersøgte forskere ekspertsystemer og heuristiske regler for "rumfordelingsproblemet". Shavivs arbejde i 1974 og 1987 om computeriseret pladsallokering var et eksempel på tidens logikdrevne metoder til layoutplanlægning.
Optimering og evolutionære metoder (1990'erne–2000'erne)
I 1990'erne skiftede AI inden for arkitektur fokus mod søge- og optimeringsalgoritmer for at håndtere den kombinatoriske kompleksitet i layouts. Pionérarbejdet af John Gero og kolleger introducerede evolutionære algoritmer til design af grundplaner: Jo og Gero (1996) simulerede enkle arkitektoniske planer ved hjælp af genetiske algoritmer, og Rosenman et al. (1997) udvidede dette ved at kombinere genetiske algoritmer med genetisk programmering. I slutningen af 1990'erne anvendte flere forskere evolutionære strategier til at generere rumlige konfigurationer.
I begyndelsen af 2000'erne oplevede feltet en spredning af heuristiske metoder som simuleret annealing og hybridmetoder, der kombinerede evolutionære algoritmer med begrænsningsprogrammering eller formgrammatik. En bemærkelsesværdig tendens var brugen af multi-objektiv optimering til at afbalancere funktionelle krav med præstationskriterier.
Datadrevne paradigmer og vigtige vendepunkter (2010–2015)
Et afgørende skifte kom med artiklen fra 2010 af Paul Merrell et al. med titlen "Computer-Generated Residential Building Layouts" (Computergenererede boligbygningslayouter). Den introducerede et Bayesisk netværk, der var trænet på virkelige grundplaner for at lære rumforbindelsesmønstre, og et stokastisk optimeringstrin for layoutgeometri. Dette arbejde markerede begyndelsen på referencemetoder, der lærer af tidligere designdata.
Herefter opstod de første forsøg på maskinlæring til analyse og mærkning af arkitekttegninger. Det var en overgangsperiode, hvor traditionelle regelbaserede metoder eksisterede side om side med datadrevet modellering, i afventning af større datasæt og mere kraftfulde læringsrammer.
Revolutionen inden for dybe generative modeller (2016–2020)
Med deep learning oplevede den automatiserede generering af grundplaner betydelige fremskridt. Store datasæt som RPLAN (2019) og LIFULL Home Dataset gjorde det muligt at træne dybe neurale netværk. De første CNN-baserede metoder havde problemer med konsistensen mellem flere rum, men Generative Adversarial Networks (GAN'er) ændrede landskabet.
- House-GAN (2020): Introducerede en grafbegrænset GAN til at generere layouts fra boblediagrammer ved hjælp af grafiske neurale netværk.
- Graph2Plan, FloorplanGAN og House-GAN++ forbedrede realismen og layoutets sammenhæng yderligere.
- Modellerne kunne nu generere både rasteriserede grundplaner og præcise vektorbaserede layouts med høj nøjagtighed.
Betinget generering blev også forbedret, hvilket muliggjorde generering af layout inden for faste grænser eller baseret på begrænsninger i forhold til rummets placering.
Seneste fremskridt: Grafnetværk, fleretages- og diffusionsmodeller (2021–2025)
De seneste modeller er rettet mod fleretagesgenerering og layoutforbedring ved hjælp af avancerede arkitekturer:
- Building-GAN (2022) og Building-GNN (2023): Generer stablede grundplaner ved hjælp af grafiske neurale netværk.
- HouseDiffusion (2023): Anvender støjfjernende diffusion til at generere rumpolygoner fra boblediagrammer.
Nyere modeller integrerer bygningskoder og virkelige begrænsninger i layoutgenerering. Diffusionsmodeller forbedrer stabiliteten i forhold til GAN'er, og evalueringsbenchmarks er mere standardiserede.
Der er også stigende fokus på tekstbetinget generering og integration med store sprogmodeller (LLM'er) til kort fortolkning og co-design.
Mod fremtiden
Udviklingen af AI til generering af grundplaner har udviklet sig fra symbolske systemer til deep learning-modeller, der er i stand til at generere brugbare arkitektoniske layouts ud fra enkle input.
Vigtige vendepunkter:
- 1971: Formgrammatikker
- 1990'erne: Genetiske og optimeringsalgoritmer
- 2010: Merrells bayesiske layout-syntese
- 2020'erne: Deep GAN'er, diffusionsmodeller og grafnetværk
Feltet bevæger sig fortsat i retning af intelligente systemer, der forstår menneskers designintentioner og producerer funktionelt gyldige, kreative arkitektoniske planer. AI er hurtigt ved at blive en samarbejdspartner inden for arkitektonisk design.