Tasarım stüdyolarında, metinden görsel oluşturan üretken yapay zeka (YZ) teknolojileri; fikir geliştirme, tekrarlı tasarım geliştirme ve görselleştirme dahil olmak üzere tasarım geliştirme sürecinin tüm aşamalarında kullanılma potansiyeli taşımaktadır. Kullanım kolaylığı, öğrenilebilme hızı, parametrelerin kontrol edilebilme düzeyi ve anlaşılabilirlik derecesi; üretken yapay zekâyı, parametrik tasarım gibi nispeten köklü paradigmalara kıyasla tasarım süreçlerinde çok daha etkili kılmaktadır. Öğrenciler tasarımları ile ilgili istedikleri / arzuladıkları durumu seçtikleri herhangi bir metinden görsele üretken YZ platformunda (Midjourney, vb.) yazılı olarak tanımlar (Resim 1), YZ tarafından oluşturulan görselleri değerlendirir ve ilginç bir görsel (veya görsel seti) üretilene kadar yinelemek / yenilemek üzere bir (veya daha fazla) görüntü seçer (Resim 2). Bu tipik döngü; “oluştur > değerlendir > seç > iyileştir > tekrarla” olarak tanımlanabilir. Bu süreçte sahip olunması gereken temel yetkinliklerden biri doğru istemi (prompt) oluşturabilme becerisidir. İstem, üretilmesi planlanan içeriğin doğru bir tanımının yapılabilmesi anlamına gelmektedir; ChatGPT gibi yaygın olarak kullanılan metinden metine üretken YZ araçları, istemi oluşturmak için kullanılabilir.

2022 ortalarında ortaya çıktığında yaratıcı alanlarda hızla yayılan bir metinden görsele üretken YZ aracı olan Midjourney'nin [1] kurucularından David Holz'un ifade ettiği üzere; metinden görsele üretken YZ araçlarının ortaya çıkmasındaki temel amaç; tasarımcıların / öğrencilerin daha yaratıcı olmalarına yardımcı olmak ve hayal gücünü zenginleştirmektir. Daha fazla iyileştirme için önemli olan görselleri seçme görevi, yinelemeli üretim sürecinin küratörleri olan öğrenciler tarafından gerçekleştirilir. Tasarım stüdyosu yürütücüleri, bu sürecin arkasındaki mantığı inceleyerek öğrencilerin tasarım sürecinin kavramsal aşamasında itici güç olarak kullanılabilecek kriterleri veya belirli özellikleri ifade etmelerine ve anlamalarına yardımcı olabilir. Daha iyi sonuçlar için, metinden görsele üretken YZ araçları, geleneksel bir analiz çalışmasından sonra kullanılmalı ve istem oluşturma sürecinde tasarım süreci özelinde bilgiler sağlanmalıdır. Üretken YZ araçları tasarımın kavramsal aşamasını sıradanlaştırmak değil, güçlendirmek amacıyla kullanılmalıdır.

Üretken YZ araçları, tasarım geliştirme sürecinde de etkili bir şekilde kullanılabilir. Binanın kütlesi, yönelimi ve işlevsel dağılımı belirlendikten sonra, temel zorluk, üretilen görseller ile üretilmesi amaçlanan görsellerin büyük ölçüde örtüşebilmesi için görsel üretim sürecinin kontrol edilebilir hale getirilebilmesidir. Bu noktada öğrencilerin, arzu ettikleri sonuçları üretebilmek için kendi iş akışlarını geliştirmeleri gerekmektedir. Örneğin, metinsel istem girdilerinin yanı sıra, kavramsal kütle çalışmalarına ilişkin ilk görseller, arazi fotoğrafları veya benzer çalışmalardan örnekler gibi mevcut imaj referansları da istemin bir parçası olarak kullanılabilmektedir. Bir başka durumda ise kavramsal tasarım sırasında üretilmesi planlanan görsel ürüne yaklaşan tasarım alternatiflerinin hızla oluşturulabilmesi için daha önce oluşturulmuş görsellerin, arazi fotoğraflarının ve işlenmiş görsellerin Midjourney’de “harmanla (blend)” komutu ile tekrarlı üretimi sağlanabilmektedir. “Harmanla” komutu kullanılırken herhangi bir metin isteminin girilmesine gerek yoktur. Ancak, en iyi sonuçların elde edilebilmesi için girdi olarak kullanılan tüm görsellerin aynı en boy oranına sahip olması gerekmektedir. Görseller arası önem hiyerarşisini belirlemek için farklı “ağırlıklar” (- iw parametresi) belirlenebilmektedir. Sonuç olarak, her öğrenci kendine özgü bir iş akışı tasarlamaktadır. Başarılı bir sonuç ürün elde edebilmek için her daim işe yarayan formüle edilmiş çözümler üretilememektedir, her tasarım süreci kendi en iyi çözümünü üretmektedir. Rastlantısallık ve belirme, sürecin tanımlayıcı nitelikleridir.

Bazı öğrenciler için geleneksel eskiz yöntemleri, üretken YZ sürecini kontrol etmenin tercih edilen bir yolu haline gelebilmektedir. Stable Diffusion[2] bünyesinde çalışan ControlNet[3]; üretken YZ sürecini denetlemek ve yönlendirmek için kullanılan imajdaki çizgileri görsel oluşturma referansı olarak almaktadır (Resim 3). Stable Diffusion’da kullanılan bu iş akışı, beklenmedik veya tatmin edici olmayan sonuçlara da yol açabilmektedir. Bu durum, neyin işe yarayıp neyin yaramadığını çözümlemek için gereken azim ve sabra sahip olmayan bazı öğrenciler açısından içinden çıkılamaz bir durum yaratabilmektedir.

Rhino, Revit ve SketchUp gibi popüler üç boyutlu (3B) modelleme programları için Veras[4] gibi ticari eklentiler mevcuttur. Bu eklentiler, yazılı metin girdisini ve seçilen programda işlenen görselleri referans alarak tasarımın son derece ayrıntılı ve gerçekçi bir şekilde görselleştirilmesini sağlar. Önceki iş akışı örneklerinde olduğu gibi, başarılı sonuçlar elde etmek için neyin ne işe yaradığını çözümlemek ve sabırlı denemeler yapmak gerekmektedir.

Yazarın eğitim verdiği birçok tasarım stüdyosunda, genel olarak, fikir aşamasındaki en iyi sonuçlar Midjourney ile ortaya çıkmıştır. Midjourney ve özellikle de “harmanla” komutunun, tasarım geliştirme sürecinde çoğu öğrenci için tercih edilen bir araç olduğu gözlenmiştir. Stüdyoların teslime yaklaşılan son haftalarında, öğrencinin dikkati tasarladıkları yapıların görsel sunumu süreçleri üzerinde toplanmaktadır. Bu süreçte Veras yazılımı ve Photoshop'taki üretken dolgu kullanımı öğrencilerin başvurduğu araçlar olmaktadır. Sonuç ürünlere bakıldığında, çoğu öğrencinin özellikle iç mekân konusunda oldukça etkileyici görseller ürettiği görülmektedir. Buradan hareketle, üretken YZ araçlarının tasarım sürecinde üretkenliği artırıcı bir rol üstlendiği söylenebilmektedir.

Özetle, tasarım stüdyosu bağlamında edinilen deneyimlerden hareketle, üretken YZ araçlarının öğrenilmesi ve kullanılmasının öğrenciler tarafından kolaylıkla başarıldığı ve YZ’yı keşif sürecinin, tasarım sürecini de eğlenceli ve ilgi çekici hale getirdiği gözlemlenmiştir. YZ araçlarının kullanımı, çoğu öğrencinin yetkinliklerini genişletmiş ve herkes için geçerli olmasa da iş yükünün azalmasını sağlamıştır. Ancak, yeniden vurgulamak gerekir ki; en başından beri hedef, yaratıcı süreci sıradanlaştırmak değil, aksine güçlendirmektir.

Görsel Üretmenin Ötesinde

Metinden metine, metinden görsele, metinden videoya ve görselden videoya üretim sağlayan bazı üretken YZ araçları, yeni sürümlerinin yayınlanmasıyla gerçekleşen nispeten küçük değişimlerle belirli bir olgunluk seviyesine ulaşmıştır. Metinden plan üretimi, metinden 3B model veya görselden 3B model üretimi gibi diğer önemli teknolojiler ise hâlâ erken aşamalardadır veya çok sınırlı bir kullanım alanına sahiptir. 3B model üretimi için kullanılan çoğu üretken YZ aracı, düzgün yüzeyli katı modeller üretememekte; nokta bulutlarından ve ağlardan (mesh) yüzey üretimini sağlayabilmektedir. Günlük nesnelerin, mobilyaların, arabaların, insan figürlerinin veya oyun karakterlerinin nispeten basit modellerini üretebilmektedir. Bu nedenle, bu araçların mimari tasarımda kullanımı sınırlıdır. Bina geometrisinin düzgün yapılandırılmış, yüzey ve katı geometriye dayalı eksiksiz 3B modellerini sunabilen, gerçekten kullanışlı üretken YZ araçlarının üretilmesinin önünde ciddi engeller bulunmaktadır. Bunu yapabilmek için temel geometrik yapıları işleyebilen yeni üretken YZ modellerine ve bu modelleri eğitmek için yeterli büyüklükte veri setlerine ihtiyaç duyulmaktadır.

Görsel üretmenin ötesinde kullanılabilen üretken YZ modellerinin yokluğunda, kat planı üreten platformların çoğu doğal dil işleme mimarisini kullanmaktadır. Bu sayede, metin girdisi parametre değerlerine eşlenerek geometri üretimi gerçekleştirilmektedir. Örneğin; Finch[5] “daha iyi yapılar için üretken bir yardımcı pilot”, “mimarlar ve yapay zekânın beraber tasarladığı” bir platform olarak pazarlanmaktadır. Üreticilerinin iddiası şu şekildedir: “Finch, mimarların tasarımlarını geliştirmek için YZ, grafik teknolojisi ve algoritmalardan yararlanır. Bir mimarın girdisini alıp en iyi seçeneği bulmak için yineleme yaparak tasarımları optimize edebilir, hızlı bir şekilde tasarım alternatifleri üretebilir ve daha fazla seçeneğin keşfedilmesine olanak tanır”. Ancak kat planı üreten platformların çoğu, metinden görsele dönüştürme teknolojisi üzerine kuruludur. Plan görüntüsü, veri kümelerinde toplanan bilgiye dayanarak konut planı çizimlerinin piksel bazlı görüntülerini üretir. Sonuçlar genellikle hayal kırıklığı yaratır ve tasarım sürecinde çok sınırlı bir değere sahiptir.

Ticari olarak satılmakta olan ve metinden yapı bilgi modellemesine (BIM) dönüştürme araçları da, metin girişini parametre değerlerine eşlemek ve temelde yatan parametrik modele dayalı bir 3B / BIM modelinin oluşturulmasını sağlamak için doğal dil işleme teknolojisini kullanmaktadır. Örneğin, Hypar’da[6], “kullanıcı isteğini bir sohbet kutusuna yazar ve saniyeler içinde bir model belirir.” Hypar, “tasarım mantığına dayalı olarak yüzlerce hatta binlerce tasarımı hızla oluşturmak için Python ve C# dillerinde üretilen kodu çalıştıran, kendi kendine yeten, internet tabanlı bir bulut platformu ve uygulama arayüzüdür.”

Metinden 3B modeller üreten YZ destekli parametrik tasarımın asıl vaadi, basit metinsel komutlar aracılığıyla, iç mekân donatılarından konutlara kadar değişen ölçeklerde, müşterilerin ihtiyaçlarına ve isteklerine göre özelleştirilmiş tasarımların üretilebilmesi olmuştur. Parametrik tasarımın temelini oluşturan fikirlerden olan kişiselleştirilmiş bir seri üretim yoluyla “tasarımın demokratikleşmesi” kavramı, iyi tasarımların kitlelere ulaştırılabilmesi konusundaki vaatlerini son yirmi yılda yerine getirememiş olsa da YZ teknolojileri ile yakın bir gelecekte başarılabilme potansiyeli taşımaktadır[7].

Performans Öngörüsü

Üretken YZ’nın tasarımdaki en derin etkisinin performans öngörüsünde olduğu söylenebilir. Yirmi yıldan uzun bir süre önce, dijital ortamlarda geçekleştirilmeye başlanan nicel ve nitel performans analizleri ve simülasyonlar, malzemenin gerilimini, yapısal kuvvetleri, ısı kazanımını (veya ısı kaybını), aydınlatma seviyelerini, hava akışını vb. görselleştirmenin güçlü bir yolu olarak ortaya çıkmıştır. Bu performans analizi ve simülasyon teknolojileri, kırmızı rengin potansiyel sorunları, mavi rengin ise doğru çözümleri gösterdiği “gökkuşağı diyagramlarına” dayanan ortak bir görsel dil kullanarak, özünde görünmez olan yapı fiziği fenomenlerini görünür kılmayı sağlamıştır[8]. Bu teknolojiler, tasarım sürecini güçlü şekillerde zenginleştirebilse de kullanımları ilgili alanlarda uzmanlaşmış profesyonellerle sınırlı kalmaktadır. “Ne verirsen onu alırsın” söyleminden hareketle, doğru analizin ve simülasyonun elde edilebilmesi için; çoğu performans analiz aracı, önemli düzeyde bir arazi bilgisine ve tasarımın erken aşamalarında doğası gereği mevcut olamayan, oldukça fazla ayrıntıya sahip ve yüksek çözünürlüklü modellemelere gereksinim duymaktadır. Bu araçların kendileri karmaşık arayüzlere sahip olup genellikle yoğun hesaplama gerektirmektedir. Buna ek olarak, yapısal analiz veya enerji analizi gibi her bir uzmanlık alanı oldukça özellikli bir 3B modelleme becerisi gerektirmektedir. Bu güçlü teknolojilerin mimarlık müfredatlarında, tasarım stüdyolarında ve hatta yapı bilimi ve teknolojisi derslerinde sınırlı bir temsiliyeti vardır. Mimarlık ofislerinde de durum benzerdir; performans simülasyon araçlarının sınırlı kullanımı veya doğrudan kullanımı yoktur; performans analizleri genellikle kavramsal tasarım aşaması büyük ölçüde tamamlandıktan sonra, mühendislik danışmanları tarafından sonradan yapılır; bu da tam olarak bu teknolojilerin en büyük etkiyi yaratabileceği aşamadır.

YZ destekli performans öngörü araçları, tasarımın erken aşamalarında hızlı ancak çok doğru olmayan performans geri bildirimi sağlayarak performans araçlarının tasarım süreçlerinde kullanım eksikliğini önemli ölçüde değiştirebilir. Araçların % 80–90 aralığındaki sınırlı doğruluğu, keşif kolaylığı ve hızının çok önemli ancak sonucun değişken olduğu tasarım sürecinin erken aşamalarında tamamen yeterlidir. Yeni üretken YZ performans öngörü araçları, makine öğrenmesi modellerini ve geleneksel performans analiz teknolojileri kullanılarak üretilen çok büyük, sentetik veri kümelerini temel almaktadır. Örneğin, Avusturya Teknoloji Enstitüsü'ndeki “Akıllı Şehir Laboratuvarı” tarafından geliştirilen “Intelligent Framework for Resilient Design”[9] (Dayanıklı Tasarım için Zeki Çerçeve), mevcut analiz teknolojileriyle karşılaştırıldığında “geleneksel simülasyonlardan % 99 daha hızlı”, “sonuç tahmininde % 90 doğruluk” ve “simülasyon başına % 0,1 maliyet” ile “yıldırım hızında iklim simülasyonları” sunmaktadır. “Infrared”in üreticisi Angelos Chronis liderliğindeki şirket, “gelişmiş çevresel analizi herkesin kullanabileceği hale getirerek”, “erişilebilir simülasyon teknolojisiyle çevresel tasarımda devrim yaratmayı” hedeflediklerini ifade etmektedir (Resim 4). Infrared, basit bir arayüze sahip bir web sitesi aracılığıyla rüzgar hızı, rüzgar konforu, güneş yayılımı, güneş ışığı saatleri gibi gerçek zamanlı simülasyonlar sunmaktadır. Bunun yapılabilmesi için; (1) seçili kentsel alanların 3B modellerinin gri tonlamalı yükseklik haritaları hazırlanmış ve (2) seçilen fiziksel olguya (güneş yayılımı gibi) karşılık gelen renk kodlu simülasyonları içeren iki büyük veri kümesi üzerinde bir çekişmeli üretken ağ (GAN) eğitilmiştir (Resim 5). Önceden eğitilmiş bu çekişmeli üretken ağ (GAN) daha sonra, girdi olarak kullanılan bir gri tonlamalı yükseklik haritası üzerinden, seçilen performans yönünün bir tahminini üretebilmekte; bunu gerçek zamanlı olarak yapabilmektedir. Böylece, Infrared’de olduğu gibi ticari olarak temin edilebilen bir oyun motoru kullanılarak 3B model işlenirken tahmini görüntüler de anında üretilebilmektedir. Bu araçları geliştirenlerin de kabul ettiği üzere; topografya verisinin eksikliği gibi sürecin doğasında bulunan bazı kısıtlamalar mevcuttur.

Tasarım eğitimi bağlamında bir diğer umut vadeden YZ teknolojisi, robotik üretimde Görüntü - Dil - Eylem Modelleri'nin (VLAM) kullanımıdır. Yani metin, görüntü, sensör okumaları, eklem dönüşleri, aktüatör konumları (örneğin tutucular) vb. üzerinde eğitilen çok modlu YZ modelleri, robotun davranışını ayrıntılı yeniden programlama yerine metin komutları kullanarak değiştirme olanağı sağlayabilmektedir. Bu, halihazırda mevcut olan ancak kullanımı çok zor olan ve öğrenmesi zaman alan teknolojileri daha erişilebilir hale getirebilecek bir dizi araçtır.

Hızlı Teknolojik Dönüşüm

Üretken YZ araçları hızla gelişmektedir. Bu gelişmelerin nereye varacağı ise henüz tam olarak bilinememektedir. Farklı disiplin ve meslek alanında daha derin bir kavrayış geliştirebilmek için deneyler yapılması ve daha da önemlisi bulguların ve deneyimlerin paylaşılması gerekmektedir.

Günümüz ile bilgisayar destekli tasarımın (CAD) sahneye çıktığı 1980'ler ile bir paralellik olduğu söylenebilir. O zaman da tıpkı günümüzdeki gibi, araçlar hızla gelişiyordu, bunun nereye gittiği bilinemiyordu. Ancak deneysel çalışmalar yapıldı ve bulgular paylaşıldı. 1989'da Harvard ve MIT'de “Elektronik Tasarım Stüdyosu” başlığı altında çığır açan bir “CAAD Futures” konferansı düzenlendi ve o zamanlar birkaç öncü okulda gerçekleşen bir dizi pedagojik deney sergilendi. Gelişmekte olan bu dijital medyanın öğrencilere ve tasarımcılara sunduğu fırsatların keşfedilmesi için bir ivme sağlanmış oldu[10]. 1990'ların sonuna doğru, yani on yıl sonra, 3B modelleme ve görselleştirme gibi alanlarda kullanılan dijital araçlar hem akademik hem de pratikte tasarım süreçlerinde yaygın olarak kullanılmaya başlanmıştır. Böylelikle bu araçlar, mimarlığın temel araçları haline gelmiştir. O zamanlar ile günümüz arasındaki fark, üretken YZ’nın şu ana kadarki en etkili dijital teknolojik yenilik olabileceği (ve büyük ihtimalle olacağı) gerçeğidir.

2024 yılında Vancouver'da düzenlenen “Disrupters on the Edge” (Eşikteki Ezber Bozanlar) 2024 ACSA Yıllık Toplantısı'nda Matias del Campo (o zaman Michigan Üniversitesi'nde, şimdi NYIT'de), Andrew Kudless (Houston Üniversitesi) ve Kyle Steinfeld (UC Berkeley) ile birlikte, üretken YZ’nın mimarlık eğitimi üzerindeki etkisini tartışmak üzere özel oturumun yürütücülüğünü üstlendim. ChatGPT'nin doğru bir şekilde öngördüğü gibi, üretken YZ hakkındaki konuşmalarımızın odağında yer alması gereken dört geniş temaya odaklandık: (1) teknolojiyi benimsemek, yani üretken YZ'yı stüdyolarımızda ve diğer derslerimizde öğretimimize nasıl entegre etmemiz gerektiğini keşfetmek, (2) etik kaygıları (verilerdeki önyargı, telif hakkı vb. gibi) ele alırken bunu nasıl yapmamız gerektiği, (3) üretken YZ sistemleri ve insan tasarımcılar arasındaki işbirliği fırsatları, üretken YZ’nin yaratıcı süreçleri nasıl artırabileceği ve (4) eğitimsel çıkarımlar, yani üretken YZ’nin öğretim yöntemlerini ve geleceğin mimarlarından beklenen beceri setlerini nasıl etkilediği. Genel olarak amacımız, hızla gelişen üretken YZ teknolojilerini keşfederken eleştirel düşünme ve yeniliğe vurgu yaparak üretken YZ’nin mimarlık eğitimini nasıl etkilediğine dair öngörüler sunmaktı.

Temel argümanımız, mimarlık eğitimi bağlamında YZ araçlarının potansiyellerinin tüm boyutları ile keşfedilmesine acil bir ihtiyaç duyulduğu; bu süreçte etik ve pedagojik hususların göz önüne alınarak sorumlu bir bütünleşme sürecinin yürütülmesi gerekliliği olmuştur. YZ teknolojilerinin, kavramsal tasarım araştırmalarından, mimarlık müfredatlarında (ve araştırmalarında) ele alınan birçok konunun merkezinde yer alan bütünleşik kaynak arama ve sentezlemeye kadar öğrenmeyi nasıl zenginleştirebileceğini ve geliştirebileceğini araştırmamız gerekliliği tartışılmıştır.

Nispeten erken bir dönem de olsa, tasarım öğrencilerinin anlayış veya yapabilirlik düzeyinde (öğrenci öğrenme çıktılarıyla ilgili akreditasyon terminolojisinde bahsedildiği hali ile) geliştirmeleri gereken temel YZ yetkinliklerini tanımlamaya çalışmalıyız. Yürütücüler olarak, YZ teknolojilerinin kullanımı söz konusu olduğunda öğrencilerimizin aşağıdaki temel yetkinlikleri geliştirmelerini sağlamamız gerektiğini savunuyorum:

- YZ’nın ne olduğunu anlamak;

- YZ’nın şu anda nasıl kullanıldığını anlamak;

- YZ kullanımıyla ilgili etik sorunları anlamak;

- YZ kullanımı hakkında eleştirel düşünme becerisi;

- YZ ile etkili bir şekilde işbirliği yapabilme;

- YZ’nın genelini sorumlu bir şekilde kullanabilme.

Buna paralel olarak, yürütücülerin tasarım stüdyoları ve mimarlık müfredatlarındaki diğer derslerin öğretiminde YZ’yı nasıl dahil edebilecekleri (ve etmeleri gerektiği) araştırılmalıdır. Ayrıca, daha geniş bir ölçekte, yeni pedagojik uygulamaların gelişimini etkileyebilecek yeni kurumsal politikalar da değerlendirilmelidir.

Tıpkı kırk yıl önce bilgisayar destekli tasarım teknolojilerinin ortaya çıktığı dönemde yapıldığı gibi, yoğun deneyler yapılmalı ve bulgular geniş çapta paylaşılmalıdır. Sanford Greenfield'ın 1964'teki çığır açıcı “Mimarlık ve Bilgisayar Konferansı”nda söylediği, “mesleği, planlasak da planlamasak da mimarlık pratiğini kökten değiştirecek karşı konulmaz bir güce karşı uyarmak”[11] şeklindeki kehanet dolu sözleri, altmış yıl öncesine göre şimdi çok daha doğru gelmektedir.

* Pedagojik deneyler, yazar tarafından “NJIT’s Hillier College of Architecture and Design” okulunda ARCH463 / 464 “Options (Seçenekler) Stüdyosu” ve ARCH483 “Yapay Zekâ ve Mimarlık” adlı seçmeli derse kayıtlı öğrencilerin aktif katılımıyla üç yıl boyunca (2023–2025) gerçekleştirilmiştir. Öğrenciler, bu makalede açıklanan iş akışlarını geliştirmiş ve bir dizi üretken YZ teknolojisiyle deneyler yapmışlardır.

NOTLAR

[1] Midjourney, (midjourney.com).

[2] Stable Diffusion, (stablediffusionweb.com).

[3]Stable Diffusion, “ControlNet”, (stablediffusionweb.com/ControlNet).

[4] Chaos, “Veras”, (www.chaos.com/veras).

[5]Finch, (finch3d.com).

[6] Hypar, (hypar.io).

[7] Kolarevic B.; Duarte, J., 2017, Mass Customization and Design Democratization, London, New York: Routledge.

[8] Kolarevic B.; Malkawi, A., 2005, Performative Architecture: Beyond Instrumentality. London and New York: Routledge.

[9] Infrared.city, (infrared.city).

[10] McCullough M. (ed.).; Purcell P. (ed.); Mitchell, W.J. (ed.), 1990, The Electronic Design Studio: Architectural Education in the Computer Era. Cambridge, MA: MIT Press.

[11] Steenson, M.W., 2022, Architectural Intelligence: How Designers and Architects Created the Digital Landscape, Cambridge, MA: MIT Press.