วิวัฒนาการของแผนผังอาคารที่สร้างโดยปัญญาประดิษฐ์

วิธีการตามกฎเกณฑ์ในยุคแรก (ทศวรรษ 1970–1980)

การแสวงหาวิธีการออกแบบแปลนพื้นที่โดยอัตโนมัติเริ่มต้นขึ้นตั้งแต่ช่วงทศวรรษ 1970 หนึ่งในก้าวสำคัญทางแนวคิดแรกคือการแนะนำ ไวยากรณ์รูปร่าง โดย Stiny และ Gips ในปี 1971 ซึ่งเป็นระบบที่ใช้กฎอย่างเป็นทางการในการสร้างการออกแบบ รวมถึงผังสถาปัตยกรรม ผ่านกฎการเปลี่ยนแปลงรูปร่างแบบวนซ้ำ แนวทางในยุคแรกเหล่านี้ส่วนใหญ่เป็นแบบ เชิงสัญลักษณ์ หรือ ขับเคลื่อนด้วยกฎเกณฑ์: ตัวอย่างเช่น งานของฟรีดแมนในปี 1971 พยายามวางแผนพื้นที่ด้วยอัลกอริทึม และทฤษฎีของมิตเชลล์ในปี 1976 ได้วางวิธีการในการระบุการจัดวางห้องที่เป็นไปได้ทั้งหมด ภายในช่วงปลายทศวรรษ 1970 และ 1980 นักวิจัยได้เริ่มสำรวจ ระบบผู้เชี่ยวชาญ และกฎเชิงฮิวริสติกสำหรับ "ปัญหาการจัดสรรพื้นที่" ผลงานของชาวิฟในปี 1974 และ 1987 เกี่ยวกับการจัดสรรพื้นที่ด้วยคอมพิวเตอร์เป็นตัวอย่างของวิธีการที่ขับเคลื่อนด้วยตรรกะในยุคสมัยนั้นสำหรับการวางแผนผัง

วิธีการเพิ่มประสิทธิภาพและวิวัฒนาการ (ทศวรรษ 1990–2000)

ในช่วงทศวรรษ 1990 ปัญญาประดิษฐ์ในสถาปัตยกรรมได้เปลี่ยนไปสู่ อัลกอริทึมการค้นหาและการเพิ่มประสิทธิภาพ เพื่อจัดการกับความซับซ้อนเชิงการรวมของรูปแบบต่าง ๆ งานบุกเบิกโดย John Gero และคณะได้แนะนำ อัลกอริทึมเชิงวิวัฒนาการ สำหรับการออกแบบแปลนอาคาร: Jo และ Gero (1996) ได้จำลองแปลนสถาปัตยกรรมอย่างง่ายโดยใช้อัลกอริทึมเชิงพันธุกรรม และ Rosenman และคณะ (1997) ได้ขยายงานนี้โดยผสมผสานอัลกอริทึมเชิงพันธุกรรมกับการเขียนโปรแกรมเชิงพันธุกรรม ตลอดช่วงปลายทศวรรษ 1990 นักวิจัยหลายคนได้นำกลยุทธ์เชิงวิวัฒนาการมาประยุกต์ใช้ในการสร้างรูปแบบเชิงพื้นที่

ในช่วงต้นทศวรรษ 2000 สาขาวิชานี้ได้เห็นการเพิ่มขึ้นอย่างรวดเร็วของวิธีการเชิงฮิวริสติก เช่น การหลอมละลายจำลอง (simulated annealing) และวิธีการแบบผสมผสานที่รวมอัลกอริทึมเชิงวิวัฒนาการเข้ากับการเขียนโปรแกรมแบบมีข้อจำกัดหรือไวยากรณ์รูปทรง แนวโน้มที่โดดเด่นคือการใช้ การเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์ เพื่อสร้างสมดุลระหว่างข้อกำหนดเชิงฟังก์ชันกับเกณฑ์ประสิทธิภาพ

รูปแบบที่ขับเคลื่อนด้วยข้อมูลและจุดเปลี่ยนสำคัญ (2010–2015)

การเปลี่ยนแปลงที่สำคัญเกิดขึ้นจากบทความในปี 2010 โดย Paul Merrell และคณะ ที่มีชื่อว่า "Computer-Generated Residential Building Layouts" มันได้แนะนำ เครือข่ายเบย์เซียน ที่ได้รับการฝึกฝนบนแผนผังชั้นจริงเพื่อเรียนรู้รูปแบบการเชื่อมต่อของห้อง และขั้นตอนการเพิ่มประสิทธิภาพแบบสุ่มสำหรับรูปทรงเรขาคณิตของการจัดวาง งานวิจัยนี้ถือเป็นจุดเริ่มต้นของ วิธีการอ้างอิง ที่เรียนรู้จากข้อมูลการออกแบบก่อนหน้า

หลังจากนั้น ความพยายามในการเรียนรู้ของเครื่องในยุคแรกเริ่มได้เกิดขึ้นเพื่อวิเคราะห์และติดป้ายกำกับภาพวาดสถาปัตยกรรม ช่วงเวลานี้เป็นช่วงเปลี่ยนผ่านที่วิธีการตามกฎแบบดั้งเดิมอยู่ร่วมกับแบบจำลองที่ขับเคลื่อนด้วยข้อมูล รอคอยชุดข้อมูลที่ใหญ่ขึ้นและกรอบการเรียนรู้ที่ทรงพลังมากขึ้น

การปฏิวัติโมเดลเชิงสร้างสรรค์เชิงลึก (2016–2020)

ด้วยการเรียนรู้เชิงลึก การสร้างแผนผังพื้นโดยอัตโนมัติได้ก้าวหน้าอย่างมีนัยสำคัญ ชุดข้อมูลขนาดใหญ่เช่น RPLAN (2019) และ LIFULL Home Dataset ช่วยให้สามารถฝึกฝนเครือข่ายประสาทเทียมเชิงลึกได้ วิธีการที่ใช้ CNN ในระยะแรกประสบปัญหาความสอดคล้องของหลายห้อง แต่ Generative Adversarial Networks (GANs) ได้เปลี่ยนแปลงภูมิทัศน์นี้

• House-GAN (2020): แนะนำ GAN ที่ถูกจำกัดด้วยกราฟ เพื่อสร้างเลย์เอาต์จากแผนภาพฟองโดยใช้เครือข่ายประสาทกราฟ
• Graph2Plan, FloorplanGAN, และ House-GAN++ ปรับปรุงความสมจริงและความสอดคล้องของเลย์เอาต์ให้ดีขึ้น
• โมเดลสามารถสร้างทั้งแผนผังพื้นแบบแรสเตอร์และเลย์เอาต์แบบเวกเตอร์ที่มีความแม่นยำสูงได้

การสร้างแบบมีเงื่อนไขก็ก้าวหน้าเช่นกัน ทำให้สามารถสร้างเลย์เอาต์ภายในขอบเขตที่กำหนดหรือตามข้อจำกัดของการเชื่อมต่อห้องได้

ความก้าวหน้าล่าสุด: กราฟเครือข่าย, โมเดลหลายชั้นและการแพร่กระจาย (2021–2025)

โมเดลล่าสุดมุ่งเน้นการสร้างหลายชั้นและการปรับปรุงการจัดวางโดยใช้สถาปัตยกรรมขั้นสูง:

• Building-GAN (2022) และ Building-GNN (2023): สร้างแผนผังชั้นแบบซ้อนกันโดยใช้โครงข่ายประสาทเทียมแบบกราฟ
• HouseDiffusion (2023): ใช้การกระจายตัวเพื่อลดสัญญาณรบกวนในการสร้างรูปหลายเหลี่ยมของห้องจากแผนผังฟองอากาศ

รุ่นใหม่กว่าได้ผสานรหัสอาคารและข้อจำกัดในโลกจริงเข้ากับการสร้างเลย์เอาต์ โมเดลการแพร่กระจายช่วยเพิ่มความเสถียรเมื่อเทียบกับ GAN และเกณฑ์การประเมินมาตรฐานมีความเป็นมาตรฐานมากขึ้น

ยังมีการให้ความสำคัญเพิ่มขึ้นกับการสร้างแบบมีเงื่อนไขตามข้อความ (text-conditioned generation) และการผสานรวมกับแบบจำลองภาษาขนาดใหญ่ (large language models (LLMs)) สำหรับการตีความอย่างย่อและการออกแบบร่วมกัน

มุ่งสู่อนาคต

การพัฒนา AI สำหรับการสร้างแผนผังพื้นได้วิวัฒนาการจากระบบเชิงสัญลักษณ์ไปสู่แบบจำลองการเรียนรู้เชิงลึกที่สามารถสร้างผังสถาปัตยกรรมที่เป็นไปได้จากข้อมูลนำเข้าที่เรียบง่าย

จุดเปลี่ยนสำคัญ:

• 1971: ไวยากรณ์เชิงรูปแบบ
• ทศวรรษ 1990: อัลกอริทึมเชิงพันธุกรรมและการเพิ่มประสิทธิภาพ
• 2010: การสังเคราะห์รูปแบบแบบเบย์ของ Merrell
• 2020: Deep GANs, โมเดลการแพร่กระจาย และเครือข่ายกราฟ

วงการนี้ยังคงมุ่งหน้าสู่ระบบอัจฉริยะที่สามารถเข้าใจเจตนารมณ์ในการออกแบบของมนุษย์และสร้างแผนผังสถาปัตยกรรมที่มีความถูกต้องเชิงหน้าที่และสร้างสรรค์ได้จริง ปัญญาประดิษฐ์กำลังกลายเป็นพันธมิตรในการออกแบบสถาปัตยกรรมอย่างรวดเร็ว