Grundsätzliche Funktionsweise

Der Minonexus Entwurfsassistent bildet den architektonischen Entwurfsprozess in einer strukturierten Abfolge vom Groben ins Feine nach. Ausgehend von einer ersten Zonierung des Baukörpers werden Schritt für Schritt Funktionen und einzelne Räume zugewiesen, bis schließlich geometrische Festlegungen getroffen werden. Im Gegensatz zu Systemen der generativen KI, die Texte, Bilder oder Videos erzeugen, arbeitet der Minonexus Entwurfsassistent nicht mit Zeichenfolgen oder Pixelbildern. Stattdessen verarbeitet er hochwertige, semantische Objekte – wie Räume, Funktionsbereiche oder vollständige 3D-Körper – und führt darauf spezifische Entwurfsaktionen aus. Diese Entwurfsaktionen sind in einer logischen Sequenz organisiert, die sich an den realen Planungsabläufen orientiert. Technologisch basiert das System auf Reinforcement Learning, einer Methode, die bereits in anderen Anwendungsfeldern für spektakuläre Ergebnisse gesorgt hat – etwa als erstmals ein Computersystem professionelle Go-Spieler besiegte (Fu 2016). Der Assistent wurde mit Millionen von Entwurfsschritten aus unterschiedlichsten Entwurfsaufgaben trainiert, um robuste und kreative Lösungsmuster zu entwickeln.

Ablauf im System

Während des Chats gibt der Nutzer die wesentlichen Rahmenbedingungen für die Entwurfsaufgabe an. Diese Angaben werden strukturiert erfasst und als klare Vorgabe an das Inferenzmodul des Systems übergeben. Auf dieser Basis kann der Assistent mehrere Entwurfsvarianten für dieselbe Aufgabe entwickeln. Die Erzeugung der Varianten erfolgt im Hintergrund, sodass der Nutzer währenddessen den Chat fortführen oder zusätzliche Vorgaben machen kann.

Darstellung des ’internen’ Zustands beim Entwurfsprozess
Darstellung des ’internen’ Zustands beim Entwurfsprozess

Sobald der Prozess abgeschlossen ist, werden die Varianten direkt im Chat bereitgestellt – sowohl als interaktive 3D-Ansicht zur schnellen Visualisierung als auch als IFC-Dateien (Industry Foundation Classes) für den Download. Diese IFC-Modelle entsprechen dem Standard im digitalen Bauwesen und können nahtlos in CAD- oder BIM-Systemen weiterbearbeitet werden.

Quellen

Fu, Michael C. 2016. “AlphaGo and Monte Carlo Tree Search: The Simulation Optimization Perspective.” In 2016 Winter Simulation Conference (WSC), 659–70. https://doi.org/10.1109/WSC.2016.7822130.