Tidlige regelbaserte tilnærminger (1970- og 1980-tallet)
Jakten på å automatisere utformingen av plantegninger begynte allerede på 1970-tallet. En av de første konseptuelle milepælene var introduksjonen av formgrammatikk av Stiny og Gips i 1971 – et formelt regelbasert system for å generere design, inkludert arkitektoniske utforminger, via rekursive formtransformasjonsregler. Disse tidlige tilnærmingene var i stor grad symbolske eller regelbaserte: For eksempel forsøkte Friedman i sitt arbeid fra 1971 å lage algoritmisk romplanlegging, og Mitchells teori fra 1976 la frem en metode for å oppregne mulige romoppsett. På slutten av 1970- og 1980-tallet utforsket forskere ekspertsystemer og heuristiske regler for «romfordelingsproblemet». Shavivs arbeid i 1974 og 1987 om datastyrt romfordeling eksemplifiserte tidens logikkdrevne metoder for planlegging av romoppsett.
Optimalisering og evolusjonære metoder (1990-årene–2000-årene)
I 1990-årene skiftet AI i arkitekturen mot søke- og optimaliseringsalgoritmer for å håndtere den kombinatoriske kompleksiteten i layoutene. Banebrytende arbeid av John Gero og kolleger introduserte evolusjonære algoritmer for utforming av gulvplaner: Jo og Gero (1996) simulerte enkle arkitektoniske planer ved hjelp av genetiske algoritmer, og Rosenman et al. (1997) utvidet dette ved å kombinere genetiske algoritmer med genetisk programmering. Gjennom slutten av 1990-tallet brukte flere forskere evolusjonære strategier for å generere romlige konfigurasjoner.
På begynnelsen av 2000-tallet opplevde feltet en spredning av heuristiske metoder som simulert annealing og hybridmetoder som kombinerte evolusjonære algoritmer med begrensningsprogrammering eller formgrammatikk. En bemerkelsesverdig trend var bruken av multi-objektiv optimalisering for å balansere funksjonelle krav med ytelseskriterier.
Datadrevne paradigmer og viktige vendepunkter (2010–2015)
En avgjørende endring kom med artikkelen fra 2010 av Paul Merrell et al., med tittelen «Computer-Generated Residential Building Layouts» (Datagenererte planløsninger for boligbygg). Den introduserte et bayesisk nettverk som var trent på virkelige plantegninger for å lære romkonnektivitetsmønstre, og et stokastisk optimaliseringstrinn for planløsningsgeometri. Dette arbeidet markerte begynnelsen på referansemetoder som lærer av tidligere designdata.
Etter dette oppstod de første forsøkene på maskinlæring for å analysere og merke arkitekttegninger. Dette var overgangsårene hvor tradisjonelle regelbaserte metoder eksisterte side om side med datadrevet modellering, i påvente av større datasett og kraftigere læringsrammeverk.
Revolusjonen innen dype generative modeller (2016–2020)
Med dyp læring opplevde automatisk generering av plantegninger betydelig fremgang. Store datasett som RPLAN (2019) og LIFULL Home Dataset muliggjorde trening av dype nevrale nettverk. De første CNN-baserte metodene slet med konsistensen mellom flere rom, men Generative Adversarial Networks (GAN) endret landskapet.
- House-GAN (2020): Introduserte en grafbegrenset GAN for å generere layout fra boblediagrammer ved hjelp av grafiske nevrale nettverk.
- Graph2Plan, FloorplanGAN og House-GAN++ forbedret realismen og layoutens sammenheng ytterligere.
- Modeller kunne nå generere både rasteriserte plantegninger og presise vektorbaserte layout med høy nøyaktighet.
Betinget generering ble også videreutviklet, slik at layoutgenerering kan skje innenfor faste grenser eller basert på begrensninger knyttet til rommenes beliggenhet i forhold til hverandre.
Nylige fremskritt: Grafnettverk, fleretasjes- og diffusjonsmodeller (2021–2025)
Nylige modeller retter seg mot fleretasjesgenerering og layoutforbedring ved hjelp av avanserte arkitekturer:
- Building-GAN (2022) og Building-GNN (2023): Genererer stablede plantegninger ved hjelp av grafiske nevrale nettverk.
- HouseDiffusion (2023): Bruker støyreduksjon for å generere rompolygoner fra boblediagrammer.
Nyere modeller integrerer byggekoder og virkelige begrensninger i genereringen av layout. Diffusjonsmodeller forbedrer stabiliteten i forhold til GAN-er, og evalueringsreferansene er mer standardiserte.
Det er også økende fokus på tekstbasert generering og integrering med store språkmodeller (LLM) for kortfattet tolkning og samdesign.
Mot fremtiden
Utviklingen av AI for generering av plantegninger har gått fra symbolske systemer til dyplæringsmodeller som kan generere brukbare arkitektoniske planløsninger fra enkle inndata.
Viktige vendepunkter:
- 1971: Formgrammatikk
- 1990-tallet: Genetiske og optimaliseringsalgoritmer
- 2010: Merrells bayesianske layout-syntese
- 2020-tallet: Dype GAN-er, diffusjonsmodeller og grafnettverk
Feltet fortsetter å bevege seg mot intelligente systemer som forstår menneskelig designintensjon og produserer funksjonelt gyldige, kreative arkitektoniske planer. AI er raskt i ferd med å bli en samarbeidspartner innen arkitektonisk design.