Hoy en día, en el campo de la planificación espacial urbana, los diseñadores humanos también tienen socios de IA.
Un equipo de investigación de la Universidad de Tsinghua propuso un modelo de algoritmo de aprendizaje por refuerzo profundo. Basado en el concepto de ciudad de 15 minutos, este modelo permite una planificación compleja del espacio urbano. Combinada con la participación humana, la planificación espacial de tierras y carreteras asistida por aprendizaje automático superó a otros algoritmos y diseñadores humanos profesionales, en aproximadamente un 50 % en todas las métricas consideradas y hasta 3000 veces más rápido.
El artículo de investigación relevante se titula "Planificación espacial de comunidades urbanas mediante aprendizaje por refuerzo profundo" y acaba de publicarse en el último número de la subrevista NatureNature Computational Science.
En un artículo simultáneo de News & Views, Paolo Santi, científico investigador del MIT Senseable City Lab, escribió: "Yu Zheng et al. abordan desafíos conceptuales y computacionales clave. Al mismo tiempo, también demostró con éxito la viabilidad de integrar la IA y el flujo de trabajo humano en el campo de la planificación espacial, proporcionando una gran cantidad de direcciones de investigación para el futuro**.
La planificación urbana necesita un cambio urgente y el concepto de “ciudad de 15 minutos” es muy popular
Las ciudades se han convertido en centros de innovación, creatividad y oportunidades, atrayendo a personas de todos los ámbitos de la vida que buscan entretenimiento, educación, atención médica y oportunidades de empleo. **Una planificación espacial eficaz es esencial para la actividad económica y el desarrollo sostenible de las ciudades. **
La planificación urbana moderna suele estar orientada a los vehículos, favoreciendo funciones centralizadas y modos de transporte que dependen del automóvil, lo que no sólo crea congestión del tráfico sino que también contribuye al calentamiento global. Al mismo tiempo, la pandemia de coronavirus también ha expuesto la vulnerabilidad de las ciudades durante el confinamiento. Por lo tanto, es necesario transformar urgentemente la planificación urbana y acelerar el cambio de una estrategia orientada a los vehículos a una orientada a las personas.
Vale la pena señalar que el concepto de "ciudades de 15 minutos" se está volviendo cada vez más popular en la planificación de nuevas comunidades urbanas y la renovación de comunidades existentes, donde los residentes pueden caminar o ir en bicicleta a los servicios básicos en 15 minutos. Refleja las expectativas de la gente de un diseño espacial de alta eficiencia. en comunidades urbanas.
Sin embargo, los seres humanos han invertido décadas de esfuerzo en desarrollar modelos computacionales y herramientas de apoyo para automatizar la planificación urbana. Aunque los planificadores urbanos humanos son mucho más productivos hoy en día utilizando herramientas SIG que hace décadas,** las tediosas tareas de diseño aún deben realizarse manualmente**.
Los agentes de IA pueden generar soluciones de planificación más eficientes que los expertos humanos
Para abordar los desafíos anteriores, un equipo de investigación de la Universidad de Tsinghua propuso un modelo de planificación urbana basado en el aprendizaje por refuerzo profundo, que es capaz de generar usos del suelo y diseños de carreteras para comunidades urbanas.
Sin embargo, en comparación con tareas con condiciones de red regulares, como el diseño de chips y Go, las comunidades urbanas presentan diferentes formas de geometría que son más diversas e irregulares.
Para resolver este problema, el equipo de investigación propuso un gráfico de continuidad urbana para describir la topología de la geometría urbana, con elementos geográficos urbanos como nodos y continuidad espacial como bordes. La construcción de gráficos permite capturar las relaciones espaciales fundamentales de cualquier forma de comunidad. Por lo tanto, formulan la planificación espacial como un problema de decisión secuencial en un gráfico y planifican a nivel topológico en lugar de a nivel geométrico.
Además, otro desafío importante en la planificación espacial es el enorme espacio para soluciones y el mayor espacio de acción que lo acompaña. El espacio de acción de una comunidad de tamaño medio puede superar fácilmente los 4.000 elevado a cien (4.000 acciones posibles por paso, un total de 100 pasos para la planificación del espacio comunitario), lo que hace inviable una búsqueda exhaustiva.
Para reducir el espacio de acción, los investigadores entrenaron a un agente de IA, que consta de una red de valores y dos redes de políticas para encontrar buenas estrategias de planificación mediante la exploración y utilización eficientes en el enorme espacio de acción. Específicamente, la red de valor predice la calidad de la planificación espacial basándose en la implementación del concepto de “ciudad de 15 minutos”, y el agente de IA utiliza las otras dos redes de políticas para seleccionar los usos del suelo y la ubicación de las carreteras. Al muestrear acciones de la red de políticas y estimar recompensas utilizando la red de valor, el espacio de acción se reduce significativamente.
Para obtener una representación efectiva de los elementos geográficos urbanos, los investigadores desarrollaron además un codificador de estado basado en una red neuronal gráfica (GNN), que utiliza el paso de mensajes y la agregación de vecinos en el gráfico de continuidad urbana para capturar segmentos de tierra y carreteras. y la relación espacial entre los puntos de intersección. Este codificador de estado GNN se comparte entre la red de valor y la red de políticas, lo que facilita la predicción de recompensas y la selección de ubicación. En última instancia, los agentes de IA pueden generar soluciones de planificación más eficientes que los expertos humanos.
Amplios resultados experimentales muestran que bajo las mismas condiciones iniciales y limitaciones de planificación, este método supera significativamente a los algoritmos más modernos y a los expertos humanos y puede mejorar los indicadores objetivos de eficiencia espacial en más de un 48,6%. Especialmente cuando se utilizan comunidades reales existentes como condiciones iniciales, el modelo puede generar planes de transformación del uso del suelo que aumentan significativamente la accesibilidad de los residentes a diversas instalaciones en más de un 18,5%.
Teniendo en cuenta la madurez y la complejidad de los métodos de planificación urbana, basándose en el modelo DRL presentado, los investigadores proponen un flujo de trabajo para la colaboración de IA con diseñadores humanos, en el que el diseñador humano se centra en la creación de prototipos conceptuales y utiliza el modelo para completar el trabajo pesado y esfuerzos de planificación que consumen mucho tiempo.
Los resultados demuestran que los diseñadores humanos pueden beneficiarse de un flujo de trabajo de colaboración entre IA y humanos que supera el trabajo totalmente humano tanto en métricas de planificación objetivas como en pruebas ciegas subjetivas con 100 diseñadores humanos profesionales. Complete el flujo de trabajo y mejore la eficiencia del tiempo 3000 veces.
Además, el modelo puede aprender habilidades de planificación general a partir de escenarios simples y aplicarlas a tareas de planificación complejas a gran escala en el diseño de diferentes estilos, como comunidades verdes y comunidades de servicios.
El aprendizaje automático promueve el desarrollo urbano sostenible y la participación de múltiples partes interesadas
Sin embargo, en este experimento, aunque el número de planos espaciales generados superó el millón, todavía no era lo suficientemente grande en comparación con los conjuntos de datos utilizados en tareas DRL similares (como Go y el diseño de chips). Además, extender este método de investigación al nivel de la ciudad requiere recopilar una gran cantidad de muestras de entrenamiento de clústeres distribuidos y utilizar múltiples GPU en múltiples servidores para entrenar redes neuronales más grandes.
Vale la pena señalar que el agente puede optimizar conjuntamente los tres subespacios de descomposición (qué planificar, dónde planificar y cómo planificar), pero esto requiere más muestras de entrenamiento. Además, la sección de qué planificar se puede ampliar para incluir otros elementos importantes relacionados con la sostenibilidad urbana, como rutas y estaciones de transporte público. Además, este marco también ignora algunos indicadores de evaluación subjetiva de la planificación espacial, como las puntuaciones estéticas y artísticas.
Los marcos actuales se guían en gran medida por indicadores estáticos y, si bien es posible generar planes vecinales con alta eficiencia espacial, planificar una ciudad entera es una tarea más compleja que requiere la consideración de diversos objetivos, incluido el crecimiento económico y la salud de los residentes. Es casi imposible evaluar el impacto de la planificación a nivel urbano mediante algunos indicadores estáticos.
En la mayoría de los experimentos, los investigadores ignoraron cientos de reglas de planificación urbana y no tuvieron en cuenta cuestiones clave en la planificación urbana real, como la propiedad de la tierra, el acceso público, la segregación urbana y la renovación. Sin embargo, con los ajustes necesarios y razonables, el enfoque puede manejar bien estas cuestiones regulatorias y políticas de planificación práctica.
Aunque la investigación todavía tiene deficiencias, no podemos negar su importancia.
El aprendizaje automático como herramienta de apoyo puede aumentar la productividad de los planificadores humanos y también crear potencialmente una vida urbana más sostenible. Además, además de ayudar a los planificadores a acelerar el proceso de distribución del espacio, también puede aportar mayores beneficios a otros participantes. Al introducir opciones de personalización en el modelo, se puede construir una plataforma pública para facilitar la participación de residentes y desarrolladores en el proceso de planificación.
Como se menciona en el artículo de investigación, la planificación urbana nunca es un simple juego de elegir el uso del suelo y la ubicación de las carreteras, sino una interacción compleja entre múltiples partes interesadas. El marco propuesto en este estudio demuestra la posibilidad de una mayor participación de todos los actores y es un pequeño paso hacia una ciudad más transparente e inclusiva.
Enlaces de referencia:
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Modelo de IA de Tsinghua publicado en la subrevista Nature: Jugando con la planificación espacial urbana, 3000 veces más rápido que los humanos
Fuente: Titulares Académicos
Autor: Yan Yimi
Editor: Académico
Hoy en día, en el campo de la planificación espacial urbana, los diseñadores humanos también tienen socios de IA.
Un equipo de investigación de la Universidad de Tsinghua propuso un modelo de algoritmo de aprendizaje por refuerzo profundo. Basado en el concepto de ciudad de 15 minutos, este modelo permite una planificación compleja del espacio urbano. Combinada con la participación humana, la planificación espacial de tierras y carreteras asistida por aprendizaje automático superó a otros algoritmos y diseñadores humanos profesionales, en aproximadamente un 50 % en todas las métricas consideradas y hasta 3000 veces más rápido.
El artículo de investigación relevante se titula "Planificación espacial de comunidades urbanas mediante aprendizaje por refuerzo profundo" y acaba de publicarse en el último número de la subrevista Nature Nature Computational Science.
La planificación urbana necesita un cambio urgente y el concepto de “ciudad de 15 minutos” es muy popular
Las ciudades se han convertido en centros de innovación, creatividad y oportunidades, atrayendo a personas de todos los ámbitos de la vida que buscan entretenimiento, educación, atención médica y oportunidades de empleo. **Una planificación espacial eficaz es esencial para la actividad económica y el desarrollo sostenible de las ciudades. **
La planificación urbana moderna suele estar orientada a los vehículos, favoreciendo funciones centralizadas y modos de transporte que dependen del automóvil, lo que no sólo crea congestión del tráfico sino que también contribuye al calentamiento global. Al mismo tiempo, la pandemia de coronavirus también ha expuesto la vulnerabilidad de las ciudades durante el confinamiento. Por lo tanto, es necesario transformar urgentemente la planificación urbana y acelerar el cambio de una estrategia orientada a los vehículos a una orientada a las personas.
Vale la pena señalar que el concepto de "ciudades de 15 minutos" se está volviendo cada vez más popular en la planificación de nuevas comunidades urbanas y la renovación de comunidades existentes, donde los residentes pueden caminar o ir en bicicleta a los servicios básicos en 15 minutos. Refleja las expectativas de la gente de un diseño espacial de alta eficiencia. en comunidades urbanas.
Los agentes de IA pueden generar soluciones de planificación más eficientes que los expertos humanos
Para abordar los desafíos anteriores, un equipo de investigación de la Universidad de Tsinghua propuso un modelo de planificación urbana basado en el aprendizaje por refuerzo profundo, que es capaz de generar usos del suelo y diseños de carreteras para comunidades urbanas.
Sin embargo, en comparación con tareas con condiciones de red regulares, como el diseño de chips y Go, las comunidades urbanas presentan diferentes formas de geometría que son más diversas e irregulares.
Para resolver este problema, el equipo de investigación propuso un gráfico de continuidad urbana para describir la topología de la geometría urbana, con elementos geográficos urbanos como nodos y continuidad espacial como bordes. La construcción de gráficos permite capturar las relaciones espaciales fundamentales de cualquier forma de comunidad. Por lo tanto, formulan la planificación espacial como un problema de decisión secuencial en un gráfico y planifican a nivel topológico en lugar de a nivel geométrico.
Para reducir el espacio de acción, los investigadores entrenaron a un agente de IA, que consta de una red de valores y dos redes de políticas para encontrar buenas estrategias de planificación mediante la exploración y utilización eficientes en el enorme espacio de acción. Específicamente, la red de valor predice la calidad de la planificación espacial basándose en la implementación del concepto de “ciudad de 15 minutos”, y el agente de IA utiliza las otras dos redes de políticas para seleccionar los usos del suelo y la ubicación de las carreteras. Al muestrear acciones de la red de políticas y estimar recompensas utilizando la red de valor, el espacio de acción se reduce significativamente.
Para obtener una representación efectiva de los elementos geográficos urbanos, los investigadores desarrollaron además un codificador de estado basado en una red neuronal gráfica (GNN), que utiliza el paso de mensajes y la agregación de vecinos en el gráfico de continuidad urbana para capturar segmentos de tierra y carreteras. y la relación espacial entre los puntos de intersección. Este codificador de estado GNN se comparte entre la red de valor y la red de políticas, lo que facilita la predicción de recompensas y la selección de ubicación. En última instancia, los agentes de IA pueden generar soluciones de planificación más eficientes que los expertos humanos.
Teniendo en cuenta la madurez y la complejidad de los métodos de planificación urbana, basándose en el modelo DRL presentado, los investigadores proponen un flujo de trabajo para la colaboración de IA con diseñadores humanos, en el que el diseñador humano se centra en la creación de prototipos conceptuales y utiliza el modelo para completar el trabajo pesado y esfuerzos de planificación que consumen mucho tiempo.
Los resultados demuestran que los diseñadores humanos pueden beneficiarse de un flujo de trabajo de colaboración entre IA y humanos que supera el trabajo totalmente humano tanto en métricas de planificación objetivas como en pruebas ciegas subjetivas con 100 diseñadores humanos profesionales. Complete el flujo de trabajo y mejore la eficiencia del tiempo 3000 veces.
Además, el modelo puede aprender habilidades de planificación general a partir de escenarios simples y aplicarlas a tareas de planificación complejas a gran escala en el diseño de diferentes estilos, como comunidades verdes y comunidades de servicios.
El aprendizaje automático promueve el desarrollo urbano sostenible y la participación de múltiples partes interesadas
Sin embargo, en este experimento, aunque el número de planos espaciales generados superó el millón, todavía no era lo suficientemente grande en comparación con los conjuntos de datos utilizados en tareas DRL similares (como Go y el diseño de chips). Además, extender este método de investigación al nivel de la ciudad requiere recopilar una gran cantidad de muestras de entrenamiento de clústeres distribuidos y utilizar múltiples GPU en múltiples servidores para entrenar redes neuronales más grandes.
Vale la pena señalar que el agente puede optimizar conjuntamente los tres subespacios de descomposición (qué planificar, dónde planificar y cómo planificar), pero esto requiere más muestras de entrenamiento. Además, la sección de qué planificar se puede ampliar para incluir otros elementos importantes relacionados con la sostenibilidad urbana, como rutas y estaciones de transporte público. Además, este marco también ignora algunos indicadores de evaluación subjetiva de la planificación espacial, como las puntuaciones estéticas y artísticas.
En la mayoría de los experimentos, los investigadores ignoraron cientos de reglas de planificación urbana y no tuvieron en cuenta cuestiones clave en la planificación urbana real, como la propiedad de la tierra, el acceso público, la segregación urbana y la renovación. Sin embargo, con los ajustes necesarios y razonables, el enfoque puede manejar bien estas cuestiones regulatorias y políticas de planificación práctica.
El aprendizaje automático como herramienta de apoyo puede aumentar la productividad de los planificadores humanos y también crear potencialmente una vida urbana más sostenible. Además, además de ayudar a los planificadores a acelerar el proceso de distribución del espacio, también puede aportar mayores beneficios a otros participantes. Al introducir opciones de personalización en el modelo, se puede construir una plataforma pública para facilitar la participación de residentes y desarrolladores en el proceso de planificación.
Como se menciona en el artículo de investigación, la planificación urbana nunca es un simple juego de elegir el uso del suelo y la ubicación de las carreteras, sino una interacción compleja entre múltiples partes interesadas. El marco propuesto en este estudio demuestra la posibilidad de una mayor participación de todos los actores y es un pequeño paso hacia una ciudad más transparente e inclusiva.
Enlaces de referencia: