اليوم، في مجال التخطيط المكاني الحضري، لدى المصممين البشريين أيضًا شركاء في الذكاء الاصطناعي.
اقترح فريق بحث من جامعة تسينغهوا نموذجًا لخوارزمية التعلم المعزز العميق. استنادًا إلى مفهوم المدينة لمدة 15 دقيقة، يتيح هذا النموذج تخطيطًا معقدًا للمساحة الحضرية. إلى جانب المدخلات البشرية، تفوق التخطيط المكاني للأراضي والطرق بمساعدة التعلم الآلي على الخوارزميات الأخرى والمصممين البشريين المحترفين، بنسبة 50% تقريبًا على جميع المقاييس التي تم أخذها في الاعتبار، وبسرعة تصل إلى 3000 مرة.
تحمل الورقة البحثية ذات الصلة عنوان "التخطيط المكاني للمجتمعات الحضرية عبر التعلم المعزز العميق" وتم نشرها للتو في العدد الأخير من المجلة الفرعية NatureNature Computational Science.
في مقال متزامن للأخبار والآراء، كتب باولو سانتي، عالم الأبحاث في مختبر المدينة الذكية بمعهد ماساتشوستس للتكنولوجيا: "يعالج يو تشنغ وآخرون التحديات المفاهيمية والحسابية الرئيسية. وفي الوقت نفسه، نجح أيضًا في إثبات جدوى دمج الذكاء الاصطناعي وسير العمل البشري في مجال التخطيط المكاني، مما يوفر ثروة من الاتجاهات البحثية للمستقبل**.
التخطيط الحضري بحاجة ماسة إلى التغيير، ومفهوم "مدينة الـ 15 دقيقة" يحظى بشعبية واسعة
أصبحت المدن مراكز للابتكار والإبداع والفرص، حيث تجتذب الناس من جميع مناحي الحياة الباحثين عن الترفيه والتعليم والرعاية الصحية وفرص العمل. ** التخطيط المكاني الفعال ضروري للنشاط الاقتصادي والتنمية المستدامة للمدن. **
غالبًا ما يكون التخطيط الحضري الحديث موجهًا نحو المركبات، ويفضل الوظائف المركزية ووسائل النقل التي تعتمد على السيارات، الأمر الذي لا يؤدي إلى ازدحام مروري فحسب، بل يساهم أيضًا في ظاهرة الاحتباس الحراري. وفي الوقت نفسه، كشفت جائحة فيروس كورونا أيضًا عن مدى ضعف المدن أثناء الإغلاق. لذلك، يجب تحويل التخطيط الحضري بشكل عاجل، كما يجب تسريع التحول من التركيز على المركبات إلى التركيز على الناس.
ومن الجدير بالذكر أن مفهوم "مدن الـ 15 دقيقة" أصبح شائعًا بشكل متزايد في تخطيط المجتمعات الحضرية الجديدة وتجديد المجتمعات القائمة، حيث يمكن للسكان المشي أو ركوب الدراجة للوصول إلى الخدمات الأساسية في غضون 15 دقيقة، وهو يعكس توقعات الناس لتخطيط الكفاءة المكانية العالية. في المجتمعات الحضرية.
ومع ذلك، فقد استثمر البشر عقودًا من الجهد في تطوير النماذج الحسابية والأدوات الداعمة لأتمتة التخطيط الحضري. على الرغم من أن المخططين الحضريين البشريين أصبحوا أكثر إنتاجية اليوم باستخدام أدوات نظم المعلومات الجغرافية عما كانوا عليه قبل عقود مضت، ** إلا أن مهام التخطيط المملة لا تزال بحاجة إلى القيام بها يدويًا **.
يمكن لوكلاء الذكاء الاصطناعي إنشاء حلول تخطيط أكثر كفاءة من الخبراء البشريين
ولمواجهة التحديات المذكورة أعلاه، اقترح فريق بحث من جامعة تسينغهوا نموذجًا للتخطيط الحضري يعتمد على التعلم المعزز العميق، وهو قادر على توليد استخدامات الأراضي وتخطيطات الطرق للمجتمعات الحضرية.
ومع ذلك، بالمقارنة مع المهام ذات ظروف الشبكة العادية مثل تصميم الرقائق وGo، تقدم المجتمعات الحضرية أشكالًا مختلفة من الهندسة أكثر تنوعًا وغير منتظمة.
لحل هذه المشكلة، اقترح فريق البحث رسمًا بيانيًا للاستمرارية الحضرية لوصف طوبولوجيا الهندسة الحضرية، مع العناصر الجغرافية الحضرية كعقد والاستمرارية المكانية كحواف. يسمح إنشاء الرسوم البيانية بالتقاط العلاقات المكانية الأساسية لأي شكل من أشكال المجتمع. لذلك، قاموا بصياغة التخطيط المكاني كمسألة قرار تسلسلي على الرسم البياني والتخطيط على المستوى الطوبولوجي وليس على المستوى الهندسي.
بالإضافة إلى ذلك، هناك تحدي كبير آخر في تخطيط المساحة وهو مساحة الحلول الضخمة ومساحة العمل الأكبر المصاحبة. قد تتجاوز مساحة العمل لمجتمع متوسط الحجم بسهولة 4000 إلى قوة مائة (4000 إجراء محتمل لكل خطوة، أي إجمالي 100 خطوة لتخطيط مساحة المجتمع)، مما يجعل البحث الشامل غير ممكن.
من أجل تقليل مساحة العمل، قام الباحثون بتدريب وكيل الذكاء الاصطناعي، الذي يتكون من شبكة قيمة وشبكتين للسياسات لإيجاد استراتيجيات تخطيط جيدة من خلال الاستكشاف والاستخدام الفعال في مساحة العمل الضخمة. . وعلى وجه التحديد، تتنبأ شبكة القيمة بجودة التخطيط المكاني بناءً على تنفيذ مفهوم "مدينة الـ 15 دقيقة"، ويتم استخدام شبكتي السياسات الأخريين من قبل وكيل الذكاء الاصطناعي لتحديد استخدامات الأراضي وموقع الطرق. ومن خلال أخذ عينات من الإجراءات من شبكة السياسات وتقدير المكافآت باستخدام شبكة القيمة، يتم تقليل مساحة العمل بشكل كبير.
من أجل الحصول على تمثيل فعال للعناصر الجغرافية الحضرية، قام الباحثون بتطوير أداة تشفير الحالة استنادًا إلى الشبكة العصبية للرسم البياني (GNN)، والتي تستخدم تمرير الرسائل وتجميع الجيران على الرسم البياني للاستمرارية الحضرية لالتقاط الأراضي وأجزاء الطرق والعلاقة المكانية بين نقاط التقاطع. تتم مشاركة برنامج تشفير حالة GNN بين شبكة القيمة وشبكة السياسة، مما يسهل التنبؤ بالمكافأة واختيار الموقع. في نهاية المطاف، يستطيع وكلاء الذكاء الاصطناعي توليد حلول تخطيط أكثر كفاءة من الخبراء البشريين.
تُظهر النتائج التجريبية الشاملة أنه في ظل نفس الظروف الأولية وقيود التخطيط، تتفوق هذه الطريقة بشكل كبير على أحدث الخوارزميات والخبراء البشريين ويمكنها تحسين المؤشرات الموضوعية لكفاءة المساحة بأكثر من 48.6%. خاصة عند استخدام المجتمعات الحقيقية القائمة كشروط أولية، يمكن للنموذج إنشاء خطط تحويل استخدام الأراضي التي تزيد بشكل كبير من إمكانية وصول السكان إلى المرافق المختلفة بنسبة تزيد عن 18.5%.
مع الأخذ في الاعتبار نضج وتعقيد أساليب التخطيط الحضري، بناءً على نموذج DRL المقدم، يقترح الباحثون سير عمل لتعاون الذكاء الاصطناعي مع المصممين البشريين، حيث يركز المصمم البشري على النماذج الأولية للمفاهيم ويستخدم النموذج لإكمال الرفع الثقيل و جهود التخطيط التي تستغرق وقتًا طويلاً.
توضح النتائج أن المصممين البشريين يمكنهم الاستفادة من سير العمل التعاوني بين الذكاء الاصطناعي والبشر الذي يتفوق على العمل البشري بالكامل في كل من مقاييس التخطيط الموضوعية والاختبار الأعمى الشخصي مع 100 مصمم بشري محترف. أكمل سير العمل وحسّن كفاءة الوقت بمقدار 3000 مرة.
بالإضافة إلى ذلك، يمكن للنموذج تعلم مهارات التخطيط العامة من سيناريوهات بسيطة وتطبيقها على مهام التخطيط المعقدة واسعة النطاق في تصميم أنماط مختلفة، مثل المجتمعات الخضراء والمجتمعات الخدمية.
التعلم الآلي يعزز التنمية الحضرية المستدامة ومشاركة أصحاب المصلحة المتعددين
ومع ذلك، في هذه التجربة، على الرغم من أن عدد الخطط المكانية التي تم إنشاؤها تجاوز المليون، إلا أنها لم تكن كبيرة بما يكفي مقارنة بمجموعات البيانات المستخدمة في مهام DRL مماثلة (مثل تصميم Go وتصميم الرقائق). بالإضافة إلى ذلك، يتطلب توسيع طريقة البحث هذه على مستوى المدينة جمع عدد كبير من عينات التدريب من المجموعات الموزعة واستخدام وحدات معالجة الرسومات المتعددة على خوادم متعددة لتدريب شبكات عصبية أكبر.
تجدر الإشارة إلى أن المجالات الفرعية الثلاثة للتحليل (ما يجب التخطيط له، وأين تخطط، وكيفية التخطيط) يمكن تحسينها بشكل مشترك بواسطة الوكيل، ولكن هذا يتطلب المزيد من عينات التدريب. بالإضافة إلى ذلك، يمكن توسيع قسم "ما يجب التخطيط له" ليشمل عناصر مهمة أخرى تتعلق بالاستدامة الحضرية، مثل طرق ومحطات النقل العام. بالإضافة إلى ذلك، يتجاهل هذا الإطار أيضًا بعض مؤشرات التقييم الذاتي للتخطيط المكاني، مثل النتائج الجمالية والفنية.
تسترشد الأطر الحالية إلى حد كبير بمؤشرات ثابتة، وبينما من الممكن إنشاء خطط للأحياء ذات كفاءة مكانية عالية، فإن تخطيط مدينة بأكملها يعد مهمة أكثر تعقيدًا تتطلب النظر في أهداف متنوعة بما في ذلك النمو الاقتصادي وصحة السكان. يكاد يكون من المستحيل تقييم تأثير التخطيط على مستوى المدينة من خلال بعض المؤشرات الثابتة.
في معظم التجارب، تجاهل الباحثون المئات من قواعد تخطيط المدن وفشلوا في مراعاة القضايا الرئيسية في تخطيط المدن الحقيقية مثل ملكية الأراضي، والوصول العام، والفصل الحضري، والتجديد. ومع ذلك، مع التعديلات الضرورية والمعقولة، يمكن لهذا النهج التعامل مع هذه القضايا التنظيمية والسياسية المتعلقة بالتخطيط العملي بشكل جيد.
ورغم أن البحث لا يزال يعاني من بعض القصور، إلا أنه لا يمكننا إنكار أهميته.
يمكن للتعلم الآلي كأداة داعمة أن يزيد من إنتاجية المخططين البشريين ويحتمل أيضًا أن يخلق حياة حضرية أكثر استدامة. بالإضافة إلى ذلك، بالإضافة إلى مساعدة المخططين على تسريع عملية تخطيط المساحة، يمكن أيضًا أن يحقق فوائد أوسع للمشاركين الآخرين. ومن خلال إدخال خيارات التخصيص في النموذج، يمكن بناء منصة عامة لتسهيل مشاركة السكان والمطورين في عملية التخطيط.
كما هو مذكور في الورقة البحثية، فإن التخطيط الحضري ليس مجرد لعبة بسيطة لاختيار استخدام الأرض وموقع الطريق، ولكنه تفاعل معقد بين العديد من أصحاب المصلحة. يوضح الإطار المقترح في هذه الدراسة إمكانية مشاركة أكبر من قبل جميع الجهات الفاعلة ويمثل خطوة صغيرة نحو مدينة أكثر شفافية وشمولية.
الروابط المرجعية:
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
نموذج Tsinghua AI منشور في مجلة Nature الفرعية: اللعب بالتخطيط المكاني الحضري، أسرع 3000 مرة من البشر
المصدر: العناوين الأكاديمية
المؤلف: يان ييمي
المحرر: أكاديمي
اليوم، في مجال التخطيط المكاني الحضري، لدى المصممين البشريين أيضًا شركاء في الذكاء الاصطناعي.
اقترح فريق بحث من جامعة تسينغهوا نموذجًا لخوارزمية التعلم المعزز العميق. استنادًا إلى مفهوم المدينة لمدة 15 دقيقة، يتيح هذا النموذج تخطيطًا معقدًا للمساحة الحضرية. إلى جانب المدخلات البشرية، تفوق التخطيط المكاني للأراضي والطرق بمساعدة التعلم الآلي على الخوارزميات الأخرى والمصممين البشريين المحترفين، بنسبة 50% تقريبًا على جميع المقاييس التي تم أخذها في الاعتبار، وبسرعة تصل إلى 3000 مرة.
تحمل الورقة البحثية ذات الصلة عنوان "التخطيط المكاني للمجتمعات الحضرية عبر التعلم المعزز العميق" وتم نشرها للتو في العدد الأخير من المجلة الفرعية Nature Nature Computational Science.
التخطيط الحضري بحاجة ماسة إلى التغيير، ومفهوم "مدينة الـ 15 دقيقة" يحظى بشعبية واسعة
أصبحت المدن مراكز للابتكار والإبداع والفرص، حيث تجتذب الناس من جميع مناحي الحياة الباحثين عن الترفيه والتعليم والرعاية الصحية وفرص العمل. ** التخطيط المكاني الفعال ضروري للنشاط الاقتصادي والتنمية المستدامة للمدن. **
غالبًا ما يكون التخطيط الحضري الحديث موجهًا نحو المركبات، ويفضل الوظائف المركزية ووسائل النقل التي تعتمد على السيارات، الأمر الذي لا يؤدي إلى ازدحام مروري فحسب، بل يساهم أيضًا في ظاهرة الاحتباس الحراري. وفي الوقت نفسه، كشفت جائحة فيروس كورونا أيضًا عن مدى ضعف المدن أثناء الإغلاق. لذلك، يجب تحويل التخطيط الحضري بشكل عاجل، كما يجب تسريع التحول من التركيز على المركبات إلى التركيز على الناس.
ومن الجدير بالذكر أن مفهوم "مدن الـ 15 دقيقة" أصبح شائعًا بشكل متزايد في تخطيط المجتمعات الحضرية الجديدة وتجديد المجتمعات القائمة، حيث يمكن للسكان المشي أو ركوب الدراجة للوصول إلى الخدمات الأساسية في غضون 15 دقيقة، وهو يعكس توقعات الناس لتخطيط الكفاءة المكانية العالية. في المجتمعات الحضرية.
يمكن لوكلاء الذكاء الاصطناعي إنشاء حلول تخطيط أكثر كفاءة من الخبراء البشريين
ولمواجهة التحديات المذكورة أعلاه، اقترح فريق بحث من جامعة تسينغهوا نموذجًا للتخطيط الحضري يعتمد على التعلم المعزز العميق، وهو قادر على توليد استخدامات الأراضي وتخطيطات الطرق للمجتمعات الحضرية.
ومع ذلك، بالمقارنة مع المهام ذات ظروف الشبكة العادية مثل تصميم الرقائق وGo، تقدم المجتمعات الحضرية أشكالًا مختلفة من الهندسة أكثر تنوعًا وغير منتظمة.
لحل هذه المشكلة، اقترح فريق البحث رسمًا بيانيًا للاستمرارية الحضرية لوصف طوبولوجيا الهندسة الحضرية، مع العناصر الجغرافية الحضرية كعقد والاستمرارية المكانية كحواف. يسمح إنشاء الرسوم البيانية بالتقاط العلاقات المكانية الأساسية لأي شكل من أشكال المجتمع. لذلك، قاموا بصياغة التخطيط المكاني كمسألة قرار تسلسلي على الرسم البياني والتخطيط على المستوى الطوبولوجي وليس على المستوى الهندسي.
من أجل تقليل مساحة العمل، قام الباحثون بتدريب وكيل الذكاء الاصطناعي، الذي يتكون من شبكة قيمة وشبكتين للسياسات لإيجاد استراتيجيات تخطيط جيدة من خلال الاستكشاف والاستخدام الفعال في مساحة العمل الضخمة. . وعلى وجه التحديد، تتنبأ شبكة القيمة بجودة التخطيط المكاني بناءً على تنفيذ مفهوم "مدينة الـ 15 دقيقة"، ويتم استخدام شبكتي السياسات الأخريين من قبل وكيل الذكاء الاصطناعي لتحديد استخدامات الأراضي وموقع الطرق. ومن خلال أخذ عينات من الإجراءات من شبكة السياسات وتقدير المكافآت باستخدام شبكة القيمة، يتم تقليل مساحة العمل بشكل كبير.
من أجل الحصول على تمثيل فعال للعناصر الجغرافية الحضرية، قام الباحثون بتطوير أداة تشفير الحالة استنادًا إلى الشبكة العصبية للرسم البياني (GNN)، والتي تستخدم تمرير الرسائل وتجميع الجيران على الرسم البياني للاستمرارية الحضرية لالتقاط الأراضي وأجزاء الطرق والعلاقة المكانية بين نقاط التقاطع. تتم مشاركة برنامج تشفير حالة GNN بين شبكة القيمة وشبكة السياسة، مما يسهل التنبؤ بالمكافأة واختيار الموقع. في نهاية المطاف، يستطيع وكلاء الذكاء الاصطناعي توليد حلول تخطيط أكثر كفاءة من الخبراء البشريين.
مع الأخذ في الاعتبار نضج وتعقيد أساليب التخطيط الحضري، بناءً على نموذج DRL المقدم، يقترح الباحثون سير عمل لتعاون الذكاء الاصطناعي مع المصممين البشريين، حيث يركز المصمم البشري على النماذج الأولية للمفاهيم ويستخدم النموذج لإكمال الرفع الثقيل و جهود التخطيط التي تستغرق وقتًا طويلاً.
توضح النتائج أن المصممين البشريين يمكنهم الاستفادة من سير العمل التعاوني بين الذكاء الاصطناعي والبشر الذي يتفوق على العمل البشري بالكامل في كل من مقاييس التخطيط الموضوعية والاختبار الأعمى الشخصي مع 100 مصمم بشري محترف. أكمل سير العمل وحسّن كفاءة الوقت بمقدار 3000 مرة.
بالإضافة إلى ذلك، يمكن للنموذج تعلم مهارات التخطيط العامة من سيناريوهات بسيطة وتطبيقها على مهام التخطيط المعقدة واسعة النطاق في تصميم أنماط مختلفة، مثل المجتمعات الخضراء والمجتمعات الخدمية.
التعلم الآلي يعزز التنمية الحضرية المستدامة ومشاركة أصحاب المصلحة المتعددين
ومع ذلك، في هذه التجربة، على الرغم من أن عدد الخطط المكانية التي تم إنشاؤها تجاوز المليون، إلا أنها لم تكن كبيرة بما يكفي مقارنة بمجموعات البيانات المستخدمة في مهام DRL مماثلة (مثل تصميم Go وتصميم الرقائق). بالإضافة إلى ذلك، يتطلب توسيع طريقة البحث هذه على مستوى المدينة جمع عدد كبير من عينات التدريب من المجموعات الموزعة واستخدام وحدات معالجة الرسومات المتعددة على خوادم متعددة لتدريب شبكات عصبية أكبر.
تجدر الإشارة إلى أن المجالات الفرعية الثلاثة للتحليل (ما يجب التخطيط له، وأين تخطط، وكيفية التخطيط) يمكن تحسينها بشكل مشترك بواسطة الوكيل، ولكن هذا يتطلب المزيد من عينات التدريب. بالإضافة إلى ذلك، يمكن توسيع قسم "ما يجب التخطيط له" ليشمل عناصر مهمة أخرى تتعلق بالاستدامة الحضرية، مثل طرق ومحطات النقل العام. بالإضافة إلى ذلك، يتجاهل هذا الإطار أيضًا بعض مؤشرات التقييم الذاتي للتخطيط المكاني، مثل النتائج الجمالية والفنية.
في معظم التجارب، تجاهل الباحثون المئات من قواعد تخطيط المدن وفشلوا في مراعاة القضايا الرئيسية في تخطيط المدن الحقيقية مثل ملكية الأراضي، والوصول العام، والفصل الحضري، والتجديد. ومع ذلك، مع التعديلات الضرورية والمعقولة، يمكن لهذا النهج التعامل مع هذه القضايا التنظيمية والسياسية المتعلقة بالتخطيط العملي بشكل جيد.
يمكن للتعلم الآلي كأداة داعمة أن يزيد من إنتاجية المخططين البشريين ويحتمل أيضًا أن يخلق حياة حضرية أكثر استدامة. بالإضافة إلى ذلك، بالإضافة إلى مساعدة المخططين على تسريع عملية تخطيط المساحة، يمكن أيضًا أن يحقق فوائد أوسع للمشاركين الآخرين. ومن خلال إدخال خيارات التخصيص في النموذج، يمكن بناء منصة عامة لتسهيل مشاركة السكان والمطورين في عملية التخطيط.
كما هو مذكور في الورقة البحثية، فإن التخطيط الحضري ليس مجرد لعبة بسيطة لاختيار استخدام الأرض وموقع الطريق، ولكنه تفاعل معقد بين العديد من أصحاب المصلحة. يوضح الإطار المقترح في هذه الدراسة إمكانية مشاركة أكبر من قبل جميع الجهات الفاعلة ويمثل خطوة صغيرة نحو مدينة أكثر شفافية وشمولية.
الروابط المرجعية: