Primeros enfoques basados en reglas (décadas de 1970 y 1980)
La búsqueda de la automatización del diseño de planos de planta comenzó ya en la década de 1970. Uno de los primeros hitos conceptuales fue la introducción de las gramáticas de formas por Stiny y Gips en 1971, un sistema formal basado en reglas para generar diseños, incluidos diseños arquitectónicos, mediante reglas recursivas de transformación de formas. Estos primeros enfoques eran en gran medida simbólicos o basados en reglas: por ejemplo, el trabajo de Friedman de 1971 intentó la planificación algorítmica del espacio, y la teoría de Mitchell de 1976 estableció un método para enumerar las posibles distribuciones de las habitaciones. A finales de la década de 1970 y en la de 1980, los investigadores exploraban los sistemas expertos y las reglas heurísticas para el «problema de la asignación del espacio». El trabajo de Shaviv en 1974 y 1987 sobre la asignación de espacio informatizada ejemplificó los métodos basados en la lógica de la época para la planificación de diseños.
Métodos de optimización y evolutivos (décadas de 1990 y 2000)
En la década de 1990, la IA en arquitectura se orientó hacia los algoritmos de búsqueda y optimización para gestionar la complejidad combinatoria de los diseños. El trabajo pionero de John Gero y sus colegas introdujo los algoritmos evolutivos para el diseño de planos de planta: Jo y Gero (1996) simularon planos arquitectónicos simples utilizando algoritmos genéticos, y Rosenman et al. (1997) ampliaron esto combinando algoritmos genéticos con programación genética. A lo largo de la última parte de la década de 1990, múltiples investigadores aplicaron estrategias evolutivas para generar configuraciones espaciales.
A principios de la década de 2000, el campo experimentó una proliferación de métodos heurísticos como el recocido simulado y los métodos híbridos que combinaban algoritmos evolutivos con programación de restricciones o gramáticas de formas. Una tendencia notable fue el uso de la optimización multiobjetivo para equilibrar los requisitos funcionales con los criterios de rendimiento.
Paradigmas basados en datos y puntos de inflexión clave (2010-2015)
Un cambio fundamental se produjo con el artículo de 2010 de Paul Merrell et al., titulado «Computer-Generated Residential Building Layouts» (Diseños de edificios residenciales generados por ordenador). En él se presentaba una red bayesiana entrenada con planos reales para aprender patrones de conectividad entre habitaciones, y un paso de optimización estocástica para la geometría de los diseños. Este trabajo marcó el inicio de los métodos referenciales que aprenden a partir de datos de diseño previos.
A raíz de esto, surgieron los primeros esfuerzos de aprendizaje automático para analizar y etiquetar planos arquitectónicos. Fueron años de transición en los que los métodos tradicionales basados en reglas coexistieron con el modelado basado en datos, a la espera de conjuntos de datos más grandes y marcos de aprendizaje más potentes.
La revolución de los modelos generativos profundos (2016-2020)
Con el aprendizaje profundo, la generación automatizada de planos de planta experimentó un avance significativo. Grandes conjuntos de datos como RPLAN (2019) y LIFULL Home Dataset permitieron el entrenamiento de redes neuronales profundas. Los métodos iniciales basados en CNN tenían dificultades con la coherencia entre varias habitaciones, pero las redes generativas adversarias (GAN) cambiaron el panorama.
- House-GAN (2020): Se introdujo una GAN con restricciones gráficas para generar diseños a partir de diagramas de burbujas utilizando redes neuronales gráficas.
- Graph2Plan, FloorplanGAN y House-GAN++ mejoraron aún más el realismo y la coherencia del diseño.
- Los modelos ahora podían generar tanto planos rasterizados como diseños precisos basados en vectores con alta fidelidad.
La generación condicional también avanzó, permitiendo la generación de diseños dentro de límites fijos o basados en restricciones de adyacencia de habitaciones.
Avances recientes: redes gráficas, modelos de múltiples pisos y modelos de difusión (2021-2025)
Los modelos recientes se centran en la generación de múltiples pisos y el perfeccionamiento del diseño mediante arquitecturas avanzadas:
- Building-GAN (2022) y Building-GNN (2023): Generan planos de planta apilados utilizando redes neuronales gráficas.
- HouseDiffusion (2023): Aplica difusión con eliminación de ruido para generar polígonos de habitaciones a partir de diagramas de burbujas.
Los modelos más recientes integran los códigos de construcción y las limitaciones del mundo real en la generación de diseños. Los modelos de difusión mejoran la estabilidad con respecto a las GAN, y los parámetros de evaluación están más estandarizados.
También se está prestando cada vez más atención a la generación condicionada por el texto y a la integración con grandes modelos lingüísticos (LLM) para la interpretación breve y el diseño conjunto.
Hacia el futuro
El desarrollo de la IA para la generación de planos evolucionó desde sistemas simbólicos hasta modelos de aprendizaje profundo capaces de generar diseños arquitectónicos viables a partir de entradas simples.
Puntos de inflexión clave:
- 1971: Gramáticas de forma
- Años 90: Algoritmos genéticos y de optimización
- 2010: Síntesis de diseño bayesiana de Merrell
- Años 2020: GAN profundas, modelos de difusión y redes de grafos
El sector sigue avanzando hacia sistemas inteligentes que comprenden la intención del diseño humano y producen planos arquitectónicos creativos y funcionalmente válidos. La IA se está convirtiendo rápidamente en un socio colaborador en el diseño arquitectónico.