딥러닝으로 건축 디자인의 미래를 밝히다: 레이저-월과 강화학습의 만남

Reza Kakooee와 Benjamin Dillenburger의 연구는 딥 강화 학습과 혁신적인 '레이저-월' 기법을 활용하여 건축 공간 배치 설계의 효율성과 창의성을 크게 향상시켰습니다. 개발된 오픈소스 시뮬레이터 SpaceLayoutGym은 향후 연구의 확장성을 보장하며, AI 기반 건축 디자인 분야의 획기적인 발전을 예고합니다.

건축 디자인의 초기 단계인 공간 배치 설계는 건물의 기능성과 미학적 완성도에 지대한 영향을 미칩니다. 하지만 방대한 가능성을 지닌 공간 배치 설계는 그 복잡성 때문에 효율적인 탐색이 어려운 과제였습니다. 이러한 문제에 대해 Reza Kakooee와 Benjamin Dillenburger는 딥 강화 학습(Deep Reinforcement Learning)이라는 혁신적인 해결책을 제시했습니다.

그들의 논문, "Illuminating Spaces: Deep Reinforcement Learning and Laser-Wall Partitioning for Architectural Layout Generation"은 기존의 이미지 기반 생성 AI가 가진 한계, 즉 직관적이지 않은 공간 구성 방식을 극복하기 위해 딥 강화 학습을 활용합니다. 인간 디자이너의 설계 과정을 모방하는 절차적 접근 방식을 통해 보다 효율적이고 창의적인 공간 배치 설계를 가능하게 한 것입니다.

핵심은 바로 **'레이저-월(laser-wall)'**이라는 새로운 공간 분할 기법입니다. 마치 레이저가 벽에서 뻗어나가 공간을 나누는 것처럼, 벡터 기반과 픽셀 기반 방식의 장점을 결합하여 유연성과 탐색 능력을 동시에 확보했습니다. 이를 통해 다양한 레이아웃을 생성하고, '원샷 계획(one-shot planning)'과 '동적 계획(dynamic planning)'이라는 두 가지 전략을 통해 전체 레이아웃을 한 번에 생성하거나, 레이저-월을 지속적으로 변형하여 레이아웃을 개선하는 유연성을 확보했습니다. '온-라이트(on-light)'와 '오프-라이트(off-light)' 벽 변환을 통해 부드럽고 빠른 레이아웃 개선도 가능합니다.

뿐만 아니라, '신원 없는(identity-less)' 및 '신원 있는(identity-full)' 벽을 도입하여 다양한 방 배치를 구현할 수 있습니다. 이 모든 과정은 SpaceLayoutGym이라는 오픈소스 OpenAI Gym 호환 시뮬레이터를 통해 구현되었습니다. 이 시뮬레이터는 기하학적 및 위상적 요구사항을 고려한 보상 함수를 기반으로 RL 에이전트가 디자인 시나리오를 처리하고 해결책을 생성하도록 지원합니다.

연구 결과는 레이저-월 기반의 RL 접근 방식이 기하학적 제약 조건과 위상적 요구 사항을 모두 만족하는 다양하고 기능적인 공간 레이아웃을 생성할 수 있으며, 무엇보다도 건축적으로 직관적이라는 것을 보여줍니다. 이 연구는 단순히 기술적인 발전을 넘어, 인간의 창의성과 AI의 효율성을 결합하여 건축 디자인의 새로운 지평을 열었습니다. 앞으로 SpaceLayoutGym을 활용한 더욱 다양한 연구들이 기대됩니다.