Πρώιμες προσεγγίσεις βασισμένες σε κανόνες (δεκαετίες 1970–1980)
Η προσπάθεια αυτοματοποίησης του σχεδιασμού κατόψεων ξεκίνησε ήδη από τη δεκαετία του 1970. Ένα από τα πρώτα σημαντικά ορόσημα ήταν η εισαγωγή των γραμματικών σχημάτων από τους Stiny και Gips το 1971 – ένα τυπικό σύστημα βασισμένο σε κανόνες για τη δημιουργία σχεδίων, συμπεριλαμβανομένων αρχιτεκτονικών διαρρυθμίσεων, μέσω αναδρομικών κανόνων μετασχηματισμού σχημάτων. Αυτές οι πρώιμες προσεγγίσεις ήταν σε μεγάλο βαθμό συμβολικές ή βασισμένες σε κανόνες: για παράδειγμα, η εργασία του Friedman το 1971 επιχείρησε τον αλγοριθμικό σχεδιασμό χώρων, ενώ η θεωρία του Mitchell το 1976 παρουσίασε μια μέθοδο για την απαρίθμηση πιθανών διαρρυθμίσεων δωματίων. Στα τέλη της δεκαετίας του 1970 και στη δεκαετία του 1980, οι ερευνητές εξερευνούσαν εξειδικευμένα συστήματα και ευριστικούς κανόνες για το «πρόβλημα κατανομής χώρου». Η εργασία του Shaviv το 1974 και το 1987 σχετικά με την ηλεκτρονική κατανομή χώρου αποτελεί παράδειγμα των λογικών μεθόδων σχεδιασμού διαρρύθμισης της εποχής.
Μεθόδους βελτιστοποίησης και εξελικτικές μεθόδους (δεκαετία 1990–2000)
Στη δεκαετία του 1990, η τεχνητή νοημοσύνη στην αρχιτεκτονική στράφηκε προς αλγόριθμους αναζήτησης και βελτιστοποίησης για να χειριστεί την συνδυαστική πολυπλοκότητα των σχεδιαγραμμάτων. Το πρωτοποριακό έργο του John Gero και των συνεργατών του εισήγαγε εξελικτικούς αλγόριθμους για το σχεδιασμό κατόψεων: οι Jo και Gero (1996) προσομοίωσαν απλά αρχιτεκτονικά σχέδια χρησιμοποιώντας γενετικούς αλγόριθμους, ενώ οι Rosenman et al. (1997) επέκτειναν αυτό το έργο συνδυάζοντας γενετικούς αλγόριθμους με γενετικό προγραμματισμό. Κατά τη διάρκεια της δεκαετίας του 1990, πολλοί ερευνητές εφάρμοσαν εξελικτικές στρατηγικές για τη δημιουργία χωρικών διαμορφώσεων.
Στις αρχές της δεκαετίας του 2000, ο τομέας γνώρισε μια εξάπλωση ευριστικών μεθόδων, όπως η προσομοιωμένη ανόπτηση και οι υβριδικές μέθοδοι που συνδύαζαν εξελικτικούς αλγόριθμους με προγραμματισμό περιορισμών ή γραμματικές μορφών. Μια αξιοσημείωτη τάση ήταν η χρήση της πολυκριτηριακής βελτιστοποίησης για την εξισορρόπηση των λειτουργικών απαιτήσεων με τα κριτήρια απόδοσης.
Παραδείγματα βασισμένα σε δεδομένα και βασικά σημεία καμπής (2010–2015)
Μια καθοριστική αλλαγή ήρθε με την έκδοση του άρθρου του Paul Merrell et al. το 2010, με τίτλο «Computer-Generated Residential Building Layouts» (Σχεδιασμοί κατοικιών που δημιουργούνται από υπολογιστή). Η μελέτη αυτή εισήγαγε ένα Bayesian network (δίκτυο Bayesian) που εκπαιδεύτηκε σε πραγματικές κατόψεις για να μάθει τα μοτίβα συνδεσιμότητας των δωματίων, καθώς και ένα στοχαστικό βήμα βελτιστοποίησης για τη γεωμετρία της διάταξης. Το έργο αυτό σηματοδότησε την αρχή των referential methods (μεθόδων αναφοράς) που μαθαίνουν από προηγούμενα δεδομένα σχεδιασμού.
Στη συνέχεια, εμφανίστηκαν οι πρώτες προσπάθειες μηχανικής μάθησης για την ανάλυση και την επισήμανση αρχιτεκτονικών σχεδίων. Αυτά ήταν μεταβατικά χρόνια, κατά τα οποία οι παραδοσιακές μέθοδοι που βασίζονταν σε κανόνες συνυπήρχαν με τη μοντελοποίηση βάσει δεδομένων, εν αναμονή μεγαλύτερων συνόλων δεδομένων και πιο ισχυρών πλαισίων μάθησης.
Επανάσταση των μοντέλων βαθιάς γενετικής (2016–2020)
Με τη βαθιά μάθηση, η αυτοματοποιημένη δημιουργία κατόψεων σημείωσε σημαντική πρόοδο. Μεγάλα σύνολα δεδομένων όπως το RPLAN (2019) και το LIFULL Home Dataset επέτρεψαν την εκπαίδευση βαθιών νευρωνικών δικτύων. Οι αρχικές μέθοδοι που βασίζονταν σε CNN αντιμετώπιζαν προβλήματα με τη συνέπεια μεταξύ πολλαπλών δωματίων, αλλά τα Generative Adversarial Networks (GANs) άλλαξαν το τοπίο.
- House-GAN (2020): Εισήγαγε ένα GAN με περιορισμούς γραφήματος για τη δημιουργία διατάξεων από διαγράμματα φυσαλίδων χρησιμοποιώντας νευρωνικά δίκτυα γραφήματος.
- Τα Graph2Plan, FloorplanGAN και House-GAN++ βελτίωσαν περαιτέρω τον ρεαλισμό και τη συνοχή της διάταξης.
- Τα μοντέλα μπορούσαν πλέον να δημιουργούν τόσο ραστεροποιημένα κατόψεις όσο και ακριβείς διατάξεις βασισμένες σε διανύσματα με υψηλή πιστότητα.
Η υπό όρους δημιουργία προχώρησε επίσης, επιτρέποντας τη δημιουργία διάταξης εντός σταθερών ορίων ή με βάση περιορισμούς γειτνίασης δωματίων.
Πρόσφατες εξελίξεις: Δίκτυα γραφημάτων, μοντέλα πολλαπλών επιπέδων και διάχυσης (2021–2025)
Τα πρόσφατα μοντέλα στοχεύουν στη δημιουργία πολλαπλών επιπέδων και στη βελτίωση της διάταξης χρησιμοποιώντας προηγμένες αρχιτεκτονικές:
- Building-GAN (2022) και Building-GNN (2023): Δημιουργία στοιβαγμένων κατόψεων χρησιμοποιώντας νευρωνικά δίκτυα γραφημάτων.
- HouseDiffusion (2023): Εφαρμόζει διάχυση αποθορυβοποίησης για τη δημιουργία πολυγώνων δωματίων από διαγράμματα φυσαλίδων.
Τα νεότερα μοντέλα ενσωματώνουν κωδικούς δόμησης και περιορισμούς του πραγματικού κόσμου στη δημιουργία σχεδιαγραμμάτων. Τα μοντέλα διάχυσης βελτιώνουν τη σταθερότητα σε σχέση με τα GAN, και τα κριτήρια αξιολόγησης είναι πιο τυποποιημένα.
Υπάρχει επίσης αυξανόμενη έμφαση στην δημιουργία κειμένου με βάση τις συνθήκες και στην ενσωμάτωση με μεγάλα γλωσσικά μοντέλα (LLM) για σύντομη ερμηνεία και συν-σχεδιασμό.
Προς το μέλλον
Η ανάπτυξη της τεχνητής νοημοσύνης για τη δημιουργία κατόψεων εξελίχθηκε από συμβολικά συστήματα σε μοντέλα βαθιάς μάθησης, ικανά να δημιουργούν βιώσιμα αρχιτεκτονικά σχέδια από απλές εισόδους.
Σημαντικές καμπές:
- 1971: Γραμματικές μορφής
- 1990: Γενετικοί και βελτιστοποιητικοί αλγόριθμοι
- 2010: Σύνθεση διάταξης Bayesian του Merrell
- 2020: Deep GANs, μοντέλα διάχυσης και δίκτυα γραφημάτων
Ο τομέας συνεχίζει να εξελίσσεται προς την κατεύθυνση των ευφυών συστημάτων που κατανοούν τις προθέσεις του ανθρώπινου σχεδιασμού και παράγουν λειτουργικά έγκυρα, δημιουργικά αρχιτεκτονικά σχέδια. Η τεχνητή νοημοσύνη εξελίσσεται ραγδαία σε συνεργάτη στον αρχιτεκτονικό σχεδιασμό.