Supporting Early Phases of Conceptual Design in Architecture Using Case-Based Reasoning and Distributed Artificial Intelligence

The last few decades of technological advances in computer science have established artificial intelligence (AI) as one of the most vital research directions, paving the way for its wide application in industries and everyday life. With its rise, AI has become the foundation for many modern innovations, such as chatbots, personal assistants on mobile devices or automatic speech transcription. However, in the field of architecture, AI is still striving to become a leading computational method and is practically absent in architectural design software. This is mainly due to the lack of methods that effectively process limited amounts of structured data. Currently, AI in architecture is predominantly limited to research in computer-aided architectural design (CAAD), for example, in knowledge management approaches like building information modeling (BIM).
In order to bridge the gap between AI and architecture, this thesis presents the methodology FLEA, which aims to support the architectural design process using contemporary AI methods such as case-based reasoning (CBR), deep learning (DL), and multi-agent systems (MAS). FLEA, short for Find, Learn, Explain, Adapt, was specifically developed for the early conceptual phases when ideas for future building designs are often vague and incomplete. By leveraging the integrated methods within FLEA, architects can benefit from AI by receiving suggestions for possible inspirations and likely design continuations based on experiences from previously designed and constructed architecture. An MAS framework is utilized to store this data in dedicated databases, which can then be used for CBR processes or to train DL models, such as artificial neural networks.
By applying AI methods, the early phases of the architectural design process can be made more efficient, leading to improved overall quality in building designs and the future built environment. This thesis aims to provide a comprehensive overview of AI methods for supporting the early design phases, consolidated into a holistic methodology for CAAD and BIM processes. A particular emphasis is placed on the role of explainability and transparency in the decision-making process of AI. The implementation of FLEA was iteratively tested through multiple quantitative and user studies using specific building design datasets. All methods and approaches presented in this thesis were investigated and developed during the active runtime of the research projects Metis-I and Metis-II, which were funded by the German Research Foundation (DFG), thereby highlighting the current necessity and importance of this research direction.

Die technologischen Fortschritte der letzten Jahrzehnte in der Informatik haben Künstliche Intelligenz (KI) als eine der wichtigsten Forschungsrichtungen etabliert und den Weg für eine breite Anwendung in Industrie und Alltag geebnet. Viele moderne Innovationen, bspw. Chatbots, Assistenten auf Mobilgeräten oder automatische Sprachübersetzung, setzen auf KI. Im Bereich der Architektur ist KI jedoch noch selten vertreten und in der Software für den Architekturentwurf praktisch nicht vorhanden. Dies liegt vor allem daran, dass es an Methoden fehlt, die die begrenzten Mengen strukturierter Daten effektiv verarbeiten können. Gegenwärtig beschränkt sich die KI in der Architektur vorwiegend auf die Forschung im Bereich des computergestützten Architekturentwurfs (CAAD).
Um die Lücke zwischen KI und Architektur zu schließen, wird in dieser Arbeit die Methodik FLEA (Find, Learn, Explain, Adapt) vorgestellt, die darauf abzielt, den architektonischen Entwurfsprozess mithilfe von modernen und etablierten KI-Methoden, wie Case-based Reasoning (CBR), Deep Learning (DL) und Multiagentensysteme (MAS) zu unterstützen. FLEA wurde speziell für die frühen Entwurfsphasen entwickelt, in denen die Ideen für zukünftige Gebäudeentwürfe oft vage und unvollständig sind. Mithilfe der in FLEA integrierten Methoden können Architekten von der KI profitieren, indem sie Vorschläge als Inspirationen für eine mögliche Weiterentwicklung des Entwurfs erhalten, welche auf bereits entworfener und gebauter Architektur basieren. Ein MAS-Framework wird eingesetzt, um diese Daten in speziellen Datenbanken zu speichern, die dann für CBR-Prozesse oder zum Trainieren von DL-Modellen verwendet werden.
Durch die Anwendung von KI-Methoden können die frühen Phasen des architektonischen Entwurfsprozesses effizienter gestaltet werden, was zu einer verbesserten Gesamtqualität der Gebäudeentwürfe führt. Ziel dieser Arbeit ist es, einen umfassenden Überblick über KI-Methoden zur Unterstützung der frü-hen CAAD-Prozesse zu geben. Ein wichtiger Schwerpunkt liegt dabei auf der Rolle von Erklärbarkeit und Transparenz in den Entscheidungsprozessen der KI. FLEA wurde iterativ in mehreren quantitativen Experimenten und Nutzerstudien anhand spezifischer Architekturdatensätze evaluiert. Alle Methoden und Ansätze, die in dieser Arbeit vorgestellt werden, wurden während der aktiven Laufzeit der von der Deutschen Forschungsgemeinschaft (DFG) geförderten Forschungsprojekte Metis-I und Metis-II untersucht und entwickelt, was die aktuelle Notwendigkeit und Bedeutung dieser Forschungsrichtung unterstreicht.