Wczesne podejścia oparte na regułach (lata 70. i 80.)
Poszukiwania sposobów automatyzacji projektowania planów pięter rozpoczęły się już w latach 70. Jednym z pierwszych kamieni milowych było wprowadzenie w 1971 r. przez Stiny'ego i Gipsa gramatyki kształtów – formalnego systemu opartego na regułach, służącego do generowania projektów, w tym układów architektonicznych, za pomocą rekurencyjnych reguł transformacji kształtów. Te wczesne podejścia były w dużej mierze symboliczne lub oparte na regułach: na przykład praca Friedmana z 1971 r. była próbą algorytmicznego planowania przestrzeni, a teoria Mitchella z 1976 r. przedstawiała metodę wyliczania możliwych układów pomieszczeń. Pod koniec lat 70. i w latach 80. badacze zajmowali się systemami eksperckimi i regułami heurystycznymi w odniesieniu do „problemu alokacji przestrzeni”. Prace Shaviva z 1974 i 1987 roku dotyczące komputerowego przydzielania przestrzeni były przykładem metod planowania układu opartych na logice, stosowanych w tamtej epoce.
Optymalizacja i metody ewolucyjne (lata 90. i 2000)
W latach 90. sztuczna inteligencja w architekturze przesunęła się w kierunku algorytmów wyszukiwania i optymalizacji, aby poradzić sobie ze złożonością kombinatoryczną układów. Pionierskie prace Johna Gero i jego współpracowników wprowadziły algorytmy ewolucyjne do projektowania planów pięter: Jo i Gero (1996) symulowali proste plany architektoniczne za pomocą algorytmów genetycznych, a Rosenman i in. (1997) rozszerzyli tę metodę, łącząc algorytmy genetyczne z programowaniem genetycznym. W późnych latach 90. wielu badaczy zastosowało strategie ewolucyjne do generowania konfiguracji przestrzennych.
Na początku XXI wieku w tej dziedzinie pojawiło się wiele metod heurystycznych, takich jak symulowane wyżarzanie i metody hybrydowe, które łączyły algorytmy ewolucyjne z programowaniem z ograniczeniami lub gramatykami kształtów. Godnym uwagi trendem było stosowanie optymalizacji wielokryterialnej w celu zrównoważenia wymagań funkcjonalnych z kryteriami wydajności.
Paradygmaty oparte na danych i kluczowe punkty zwrotne (2010–2015)
Przełomowym momentem była publikacja artykułu Paula Merrella i innych z 2010 r. zatytułowanego „Computer-Generated Residential Building Layouts” (Generowane komputerowo układy budynków mieszkalnych). Wprowadzono w nim sieć bayesowską, która została przeszkolona na podstawie rzeczywistych planów pięter w celu poznania wzorców połączeń między pomieszczeniami, oraz stochastyczny etap optymalizacji geometrii układu. Praca ta zapoczątkowała metody referencyjne, które uczą się na podstawie wcześniejszych danych projektowych.
Następnie pojawiły się pierwsze próby wykorzystania uczenia maszynowego do analizowania i oznaczania rysunków architektonicznych. Były to lata przejściowe, w których tradycyjne metody oparte na regułach współistniały z modelowaniem opartym na danych, w oczekiwaniu na większe zbiory danych i bardziej zaawansowane frameworki uczenia się.
Rewolucja głębokich modeli generatywnych (2016–2020)
Dzięki głębokiemu uczeniu się automatyczne generowanie planów pięter znacznie się poprawiło. Duże zbiory danych, takie jak RPLAN (2019) i LIFULL Home Dataset, umożliwiły szkolenie głębokich sieci neuronowych. Początkowe metody oparte na CNN borykały się z problemem spójności wielu pomieszczeń, ale generatywne sieci przeciwstawne (GAN) zmieniły sytuację.
- House-GAN (2020): Wprowadzono GAN z ograniczeniami graficznymi do generowania układów z diagramów bąbelkowych przy użyciu sieci neuronowych grafów.
- Graph2Plan, FloorplanGAN i House-GAN++ jeszcze bardziej poprawiły realizm i spójność układu.
- Modele mogą teraz generować zarówno rasteryzowane plany pięter, jak i precyzyjne układy wektorowe o wysokiej wierności.
Rozwinięto również generowanie warunkowe, umożliwiające tworzenie układów w ramach ustalonych granic lub w oparciu o ograniczenia dotyczące sąsiedztwa pomieszczeń.
Najnowsze osiągnięcia: sieci graficzne, modele wielopoziomowe i dyfuzyjne (2021–2025)
Najnowsze modele skupiają się na generowaniu wielopoziomowych układów i udoskonalaniu ich za pomocą zaawansowanych architektur:
- Building-GAN (2022) i Building-GNN (2023): Generowanie piętrowych planów pięter przy użyciu sieci neuronowych grafów.
- HouseDiffusion (2023): Stosuje dyfuzję denoisingową do generowania wielokątów pomieszczeń na podstawie diagramów bąbelkowych.
Nowsze modele uwzględniają przepisy budowlane i rzeczywiste ograniczenia podczas generowania układów. Modele dyfuzyjne zapewniają większą stabilność niż modele GAN, a testy porównawcze są bardziej znormalizowane.
Coraz większy nacisk kładzie się również na generowanie oparte na tekście oraz integrację z dużymi modelami językowymi (LLM) w celu krótkiej interpretacji i współprojektowania.
W kierunku przyszłości
Rozwój sztucznej inteligencji do generowania planów pięter ewoluował od systemów symbolicznych do modeli głębokiego uczenia się, które są w stanie generować realne projekty architektoniczne na podstawie prostych danych wejściowych.
Kluczowe punkty zwrotne:
- 1971: Gramatyki kształtów
- Lata 90.: Algorytmy genetyczne i optymalizacyjne
- 2010: Bayesowska synteza układu Merrella
- Lata 20. XXI wieku: Głębokie sieci GAN, modele dyfuzyjne i sieci graficzne
Branża nadal zmierza w kierunku inteligentnych systemów, które rozumieją intencje projektantów i tworzą funkcjonalne, kreatywne projekty architektoniczne. Sztuczna inteligencja szybko staje się partnerem w projektowaniu architektonicznym.