Adaptive design intelligence: a closed-loop machine learning framework for performance-driven architecture

This thesis investigates a performance-driven architectural design workflow that integrates generative modeling with rapid performance prediction to support early-stage design exploration. The research addresses a key bottleneck in simulation-based design: while tools such as Ladybug/Honeybee enable high-fidelity environmental evaluation, the computational cost of repeatedly simulating large design sets limits iterative exploration. To overcome this, the thesis proposes a hybrid framework combining (i) a variational autoencoder (VAE) for generating image-based design candidates and (ii) a convolutional neural network (CNN) surrogate model for fast performance estimation, organized in an iterative, closed-loop feedback cycle. A massing case study is developed using 16×16 grid-based building depth maps generated in Grasshopper, with winter solar gain simulated for Milan (November–February). A regression model is trained to predict solar gain from pixel inputs, and a VAE learns a compact latent representation enabling controlled sampling and latent-space interpolation to produce new massing alternatives. A façade case study extends the approach to multi-objective performance reasoning, including trade-offs between solar radiation exposure and façade porosity, supported by Pareto-front analysis and multi-criteria visualization. Results demonstrate that the surrogate predictor enables near-instant screening of candidate designs relative to simulation-only evaluation, while the generative model supports continuous morphological variation and structured exploration of the design space. The closed-loop workflow links design generation, performance evaluation, and iterative refinement, reframing performance as both an optimization target and a feedback signal for creative search. The thesis contributes a reproducible methodology for hybrid generative–predictive design and discusses its implications for cybernetic design thinking, hybrid intelligence, and performance-driven creativity. Future work is outlined to extend the framework toward larger datasets, multi-climate validation, additional objectives, and tighter integration with parametric modeling and simulation pipelines.

Questa tesi indaga un workflow di progettazione architettonica guidato dalle prestazioni che integra modellazione generativa e previsione rapida delle prestazioni per supportare l’esplorazione nelle fasi iniziali del progetto. La ricerca affronta un collo di bottiglia centrale della progettazione basata su simulazione: sebbene strumenti come Ladybug/Honeybee consentano valutazioni ambientali ad alta fedeltà, il costo computazionale della simulazione ripetuta di ampi insiemi di varianti limita l’esplorazione iterativa. Per superare tale limite, la tesi propone un framework ibrido che combina (i) un variational autoencoder (VAE) per generare candidati progettuali basati su immagini e (ii) un modello surrogato di tipo convolutional neural network (CNN) per una stima veloce delle prestazioni, organizzati in un ciclo iterativo a retroazione (closed-loop). Viene sviluppato un caso studio sul massing utilizzando mappe di profondità dell’edificio su griglia 16×16 generate in Grasshopper, con simulazioni del guadagno solare invernale per Milano (novembre–febbraio). Un modello di regressione viene addestrato per predire il guadagno solare a partire dagli input pixel, mentre un VAE apprende una rappresentazione latente compatta che consente campionamento controllato e interpolazione nello spazio latente per produrre nuove alternative di massing. Un secondo caso studio sulla facciata estende l’approccio al ragionamento multi-obiettivo, includendo i trade-off tra esposizione alla radiazione solare e porosità della facciata, supportati da analisi del fronte di Pareto e visualizzazioni multi-criterio. I risultati mostrano che il predittore surrogato abilita uno screening quasi istantaneo dei candidati rispetto a una valutazione basata esclusivamente su simulazione, mentre il modello generativo supporta variazioni morfologiche continue e un’esplorazione strutturata dello spazio progettuale. Il workflow closed-loop collega generazione della forma, valutazione prestazionale e raffinamento iterativo, reinterpretando la prestazione sia come obiettivo di ottimizzazione sia come segnale di feedback per una ricerca creativa. La tesi contribuisce con una metodologia riproducibile per un design ibrido generativo–predittivo e ne discute le implicazioni per il pensiero progettuale cibernetico, l’intelligenza ibrida e la creatività guidata dalle prestazioni. Vengono infine delineati sviluppi futuri per estendere il framework verso dataset più ampi, validazione multi-climatica, obiettivi aggiuntivi e una più stretta integrazione con pipeline di modellazione parametrica e simulazione.