גישות מוקדמות מבוססות כללים (שנות ה-70 וה-80)
החיפוש אחר אוטומציה של עיצוב תוכניות קומה החל כבר בשנות ה-70. אחד מאבני הדרך הקונספטואליות הראשונות היה הצגת דקדוק הצורות על ידי Stiny ו-Gips בשנת 1971 – מערכת פורמלית מבוססת כללים ליצירת עיצובים, כולל פריסות אדריכליות, באמצעות כללי טרנספורמציה רקורסיביים של צורות. גישות מוקדמות אלה היו ברובן סמליות או מבוססות כללים: לדוגמה, עבודתו של Friedman משנת 1971 ניסתה לתכנן חלל באופן אלגוריתמי, ותיאורייתו של Mitchell משנת 1976 הציגה שיטה לפרט את סידורי החדרים האפשריים. בסוף שנות ה-70 ובתחילת שנות ה-80, חוקרים חקרו מערכות מומחה וכללים היוריסטיים ל"בעיית הקצאת החלל". עבודתו של שביב משנת 1974 ו-1987 על הקצאת שטח ממוחשבת הדגימה את השיטות המונחות על ידי לוגיקה לתכנון פריסה שהיו מקובלות באותה תקופה.
אופטימיזציה ושיטות אבולוציוניות (שנות ה-90 וה-2000)
בשנות ה-90, הבינה המלאכותית באדריכלות עברה לשימוש באלגוריתמים לחיפוש ואופטימיזציה כדי להתמודד עם המורכבות הקומבינטורית של תוכניות. עבודתם החלוציית של ג'ון גרו ועמיתיו הציגה אלגוריתמים אבולוציוניים לתכנון תוכניות קומה: ג'ו וגרו (1996) הדמייו תוכניות אדריכליות פשוטות באמצעות אלגוריתמים גנטיים, ורוזנמן ואחרים (1997) הרחיבו זאת על ידי שילוב אלגוריתמים גנטיים עם תכנות גנטי. לאורך שנות ה-90 המאוחרות, חוקרים רבים יישמו אסטרטגיות אבולוציוניות ליצירת תצורות מרחביות.
בתחילת שנות ה-2000, התחום ראה התפשטות של שיטות היוריסטיות כמו חישול מדומה ושיטות היברידיות ששילבו אלגוריתמים אבולוציוניים עם תכנות אילוצים או דקדוק צורות. מגמה בולטת הייתה השימוש באופטימיזציה רב-מטרית כדי לאזן בין דרישות פונקציונליות לקריטריוני ביצועים.
פרדיגמות מונחות נתונים ונקודות מפנה מרכזיות (2010–2015)
שינוי מכריע חל עם פרסום המאמר של Paul Merrell et al. משנת 2010, שכותרתו "Computer-Generated Residential Building Layouts" (תכניות בנייני מגורים שנוצרו במחשב). המאמר הציג רשת בייסיאנית שהוכשרה על בסיס תוכניות קומה אמיתיות כדי ללמוד דפוסים של קישוריות בין חדרים, ושלב של אופטימיזציה סטוכסטית עבור גיאומטריית התכנון. עבודה זו סימנה את תחילתן של שיטות התייחסות הלומדות מנתוני תכנון קודמים.
לאחר מכן, החלו מאמצים ראשוניים בתחום הלמידה המכונה לניתוח ולתיוג של שרטוטים אדריכליים. היו אלה שנים של מעבר, שבהן שיטות מסורתיות מבוססות כללים התקיימו במקביל למודלים מבוססי נתונים, בהמתנה למאגרי נתונים גדולים יותר ולמסגרות למידה חזקות יותר.
מהפכת המודלים הגנראטיביים העמוקים (2016–2020)
בזכות הלמידה העמוקה, חלה התקדמות משמעותית ביצירת תוכניות קומה אוטומטיות. מאגרי נתונים גדולים כמו RPLAN (2019) ו-LIFULL Home Dataset אפשרו אימון של רשתות נוירונים עמוקות. השיטות הראשוניות המבוססות על CNN התקשו לשמור על עקביות בין חדרים מרובים, אך רשתות גנראטיביות יריבות (GAN) שינו את התמונה.
- House-GAN (2020): הציג GAN מוגבל גרף ליצירת פריסות מתרשימי בועות באמצעות רשתות עצביות גרפיות.
- Graph2Plan, FloorplanGAN ו-House-GAN++ שיפרו עוד יותר את הריאליזם ואת עקביות הפריסה.
- כעת המודלים יכולים ליצור הן תוכניות קומה רסטרית והן פריסות מדויקות מבוססות וקטור עם רמת דיוק גבוהה.
גם הייצור המותנה התקדם, ומאפשר יצירת פריסה בתוך גבולות קבועים או על בסיס אילוצים של סמיכות בין חדרים.
התקדמות אחרונה: רשתות גרפיות, מודלים רב-קומתיים ומודלים דיפוזיים (2021–2025)
מודלים אחרונים מתמקדים ביצירת רב-קומתיות ושיפור הפריסה באמצעות ארכיטקטורות מתקדמות:
- Building-GAN (2022) ו- Building-GNN (2023): יצירת תוכניות קומה מוערמות באמצעות רשתות עצביות גרפיות.
- HouseDiffusion (2023): מיישם דיפוזיה עם הסרת רעש כדי ליצור מצולעים של חדרים מתרשימי בועות.
הדגמים החדשים משלבים תקני בנייה ואילוצים מהעולם האמיתי ביצירת הפריסה. דגמי דיפוזיה משפרים את היציבות לעומת GAN, ומדדי ההערכה הם יותר סטנדרטיים.
יש גם התמקדות גוברת ביצירה מותאמת טקסט ובשילוב עם מודלים לשוניים גדולים (LLMs) לצורך פרשנות קצרה ועיצוב משותף.
לקראת העתיד
פיתוח הבינה המלאכותית ליצירת תוכניות קומה התפתח ממערכות סמליות למודלים של למידה עמוקה המסוגלים ליצור תוכניות אדריכליות ישימות מתוך קלט פשוט.
נקודות מפנה מרכזיות:
- 1971: דקדוק צורות
- שנות ה-90: אלגוריתמים גנטיים ואלגוריתמים לייעול
- 2010: סינתזת פריסה בייסיאנית של מרל
- שנות ה-20: GANs עמוקים, מודלים דיפוזיים ורשתות גרפים
התחום ממשיך להתקדם לעבר מערכות חכמות המבינות את כוונת התכנון האנושית ומייצרות תוכניות אדריכליות יצירתיות ותפקודיות. הבינה המלאכותית הופכת במהירות לשותפה שיתופית בתכנון אדריכלי.