Varhaiset sääntöpohjaiset lähestymistavat (1970–1980-luku)
Pyrkimys automatisoida pohjapiirustusten suunnittelu alkoi jo 1970-luvulla. Yksi ensimmäisistä käsitteellisistä virstanpylväistä oli Stinyn ja Gipsin vuonna 1971 esittelemä muotogrammatiikka – muodollinen sääntöihin perustuva järjestelmä, jolla luotiin suunnitelmia, kuten arkkitehtonisia pohjapiirroksia, rekursiivisten muotomuunnossääntöjen avulla. Nämä varhaiset lähestymistavat olivat suurelta osin symbolisia tai sääntöihin perustuvia: esimerkiksi Friedmanin vuonna 1971 tekemässä työssä yritettiin algoritmista tilasuunnittelua, ja Mitchellin vuonna 1976 esittämässä teoriassa esitettiin menetelmä mahdollisten huonejärjestelyjen luettelemiseksi. 1970-luvun lopulla ja 1980-luvulla tutkijat tutkivat asiantuntijajärjestelmiä ja heuristisia sääntöjä ”tilanjakoproblemaan”. Shavivin vuosina 1974 ja 1987 tekemä työ tietokoneistetusta tilankäytöstä oli esimerkki tuon aikakauden logiikkapohjaisista menetelmistä tilasuunnittelussa.
Optimointi ja evoluutiomenetelmät (1990-luku–2000-luku)
1990-luvulla arkkitehtuurin tekoäly siirtyi kohti hakua ja optimointialgoritmeja, joilla voitiin käsitellä pohjapiirustusten yhdistelmällistä monimutkaisuutta. John Gero ja hänen kollegansa tekivät uraauurtavaa työtä ja esittelivät evoluutioalgoritmit pohjapiirustusten suunnittelussa: Jo ja Gero (1996) simuloivat yksinkertaisia arkkitehtonisia suunnitelmia geneettisillä algoritmeilla, ja Rosenman ym. (1997) laajensivat tätä yhdistämällä geneettiset algoritmit geneettiseen ohjelmointiin. 1990-luvun lopulla useat tutkijat sovelsivat evoluutiostrategioita tilallisten konfiguraatioiden luomiseen.
2000-luvun alkupuolella alalla yleistyivät heuristiset menetelmät, kuten simuloitu annealing ja hybridimenetelmät, joissa yhdistettiin evoluutioalgoritmit rajoiteohjelmointiin tai muotogrammatiikkaan. Merkittävä trendi oli monitavoitteisen optimoinnin käyttö toiminnallisten vaatimusten ja suorituskykykriteerien tasapainottamiseksi.
Datavetoiset paradigmat ja keskeiset käännekohdat (2010–2015)
Käänteentekevä muutos tapahtui vuonna 2010, kun Paul Merrell et al. julkaisivat artikkelin ”Computer-Generated Residential Building Layouts” (Tietokoneella luodut asuinrakennusten pohjapiirrokset). Siinä esiteltiin Bayesilainen verkosto, joka oli koulutettu todellisten pohjapiirrosten perusteella oppimaan huoneiden yhteysmallit, sekä stokastinen optimointivaihe pohjapiirroksen geometrian suunnittelua varten. Tämä työ merkitsi alkua referenssimenetelmille, jotka oppivat aiemmista suunnittelutiedoista.
Tämän jälkeen alkoivat ensimmäiset koneoppimisen yritykset arkkitehtonisten piirustusten analysoimiseksi ja luokittelemiseksi. Nämä olivat siirtymävuosia, jolloin perinteiset sääntöpohjaiset menetelmät olivat rinnakkain datapohjaisen mallinnuksen kanssa, odottaen suurempia tietojoukkoja ja tehokkaampia oppimisympäristöjä.
Syvien generatiivisten mallien vallankumous (2016–2020)
Syvän oppimisen avulla automaattinen pohjapiirrosten luominen kehittyi merkittävästi. Suuret tietojoukot, kuten RPLAN (2019) ja LIFULL Home Dataset, mahdollistivat syvien neuroverkkojen kouluttamisen. Alkuperäiset CNN-pohjaiset menetelmät kamppailivat monihuoneisten tilojen yhdenmukaisuuden kanssa, mutta generatiiviset vastakkainasettelun verkot (GAN) muuttivat tilannetta.
- House-GAN (2020): Esiteltiin graafirajoitteinen GAN graafisten neuroverkkojen avulla kuplakaavioista luotavien pohjapiirrosten tuottamiseksi.
- Graph2Plan, FloorplanGAN ja House-GAN++ paransivat entisestään realismia ja pohjapiirrosten johdonmukaisuutta.
- Mallit pystyivät nyt tuottamaan sekä rasteroituja pohjapiirroksia että tarkkoja vektoriperusteisia pohjapiirroksia korkealla tarkkuudella.
Ehdollinen generointi kehittyi myös, mikä mahdollisti ulkoasun generoinnin kiinteiden rajojen sisällä tai huoneiden vierekkäisyyden rajoitusten perusteella.
Viimeaikaiset edistysaskeleet: graafiset verkostot, monikerroksiset mallit ja diffuusiomallit (2021–2025)
Viimeaikaiset mallit kohdistuvat monikerroksisten rakennusten luomiseen ja pohjaratkaisujen hienosäätöön edistyneiden arkkitehtuurien avulla:
- Building-GAN (2022) ja Building-GNN (2023): Luo pinottuja pohjapiirroksia graafisten neuroverkkojen avulla.
- HouseDiffusion (2023): Käyttää kohinanpoistodiffuusiota huoneiden monikulmioiden luomiseen kuplakaavioista.
Uudemmat mallit integroivat rakennusmääräykset ja todelliset rajoitukset layoutin luomiseen. Diffuusiomallit parantavat vakautta GAN-malleihin verrattuna, ja arviointikriteerit ovat standardisoidumpia.
Myös tekstin ehdolliseen generointiin ja integrointiin suurten kielimallien (LLM) kanssa kiinnitetään yhä enemmän huomiota lyhyiden tulkintojen ja yhteissuunnittelun yhteydessä.
Kohti tulevaisuutta
Pohjapiirrosten luomiseen tarkoitetun tekoälyn kehitys on edennyt symbolisista järjestelmistä syväoppimismalleihin, jotka pystyvät luomaan toteuttamiskelpoisia arkkitehtonisia pohjapiirroksia yksinkertaisten syötteiden perusteella.
Tärkeimmät käännekohdat:
- 1971: Muotogrammatiikat
- 1990-luku: Geneettiset ja optimointialgoritmit
- 2010: Merrellin bayesiläinen layout-synteesi
- 2020-luku: Syvät GAN-verkot, diffuusiomallit ja graafiset verkot
Ala kehittyy edelleen kohti älykkäitä järjestelmiä, jotka ymmärtävät ihmisten suunnittelutarkoituksia ja tuottavat toiminnallisesti kelvollisia, luovia arkkitehtonisia suunnitelmia. Tekoäly on nopeasti tulossa arkkitehtonisen suunnittelun yhteistyökumppaniksi.