Aujourd’hui, dans le domaine de l’aménagement urbain, les concepteurs humains ont également des partenaires en IA.
Une équipe de recherche de l'Université Tsinghua a proposé un modèle d'algorithme d'apprentissage par renforcement profond. Basé sur le concept de ville des 15 minutes, ce modèle permet une planification complexe de l'espace urbain. Combinée à la contribution humaine, la planification spatiale des terres et des routes assistée par apprentissage automatique a surpassé les autres algorithmes et les concepteurs humains professionnels d'environ 50 % sur toutes les mesures prises en compte et jusqu'à 3 000 fois plus rapide.
Le document de recherche pertinent s'intitule « Planification spatiale des communautés urbaines via un apprentissage par renforcement profond » et vient d'être publié dans le dernier numéro de la sous-revue NatureNature Computational Science.
Dans un article simultané de News & Views, Paolo Santi, chercheur scientifique au MIT Senseable City Lab, a écrit : « Yu Zheng et al. relèvent des défis conceptuels et informatiques clés. Dans le même temps, ils ont également démontré avec succès la faisabilité de l'intégration de l'IA. et le flux de travail humain dans le domaine de l'aménagement du territoire, offrant ainsi une multitude d'orientations de recherche pour l'avenir**.
L'urbanisme a un besoin urgent de changement et le concept de « ville à 15 minutes » est très populaire
Les villes sont devenues des centres d’innovation, de créativité et d’opportunités, attirant des personnes de tous horizons à la recherche de divertissement, d’éducation, de soins de santé et d’opportunités d’emploi. **Une planification spatiale efficace est essentielle à l'activité économique et au développement durable des villes. **
La planification urbaine moderne est souvent axée sur les véhicules, privilégiant les fonctions centralisées et les modes de transport dépendants de la voiture, ce qui non seulement crée des embouteillages mais contribue également au réchauffement climatique. Dans le même temps, la pandémie de coronavirus a également mis en évidence la vulnérabilité des villes pendant le confinement. Par conséquent, la planification urbaine doit être transformée de toute urgence et le passage d'une approche axée sur les véhicules à une approche axée sur les personnes doit être accéléré.
Il convient de noter que le concept de « villes en 15 minutes » devient de plus en plus populaire dans la planification de nouvelles communautés urbaines et la rénovation de communautés existantes, où les résidents peuvent accéder aux services de base à pied ou à vélo en 15 minutes. Il reflète les attentes des gens en matière d'aménagement à haute efficacité spatiale. dans les communautés urbaines.
Cependant, les humains ont investi des décennies d’efforts dans le développement de modèles informatiques et d’outils de support pour automatiser la planification urbaine. Même si les urbanistes humains sont aujourd'hui bien plus productifs en utilisant les outils SIG qu'ils ne l'étaient il y a plusieurs décennies**, les tâches fastidieuses d'aménagement doivent toujours être effectuées manuellement**.
Les agents IA peuvent générer des solutions de planification plus efficaces que les experts humains
Pour relever les défis ci-dessus, une équipe de recherche de l'Université Tsinghua a proposé un modèle de planification urbaine basé sur un apprentissage par renforcement profond, capable de générer une utilisation des terres et des tracés routiers pour les communautés urbaines.
Cependant, par rapport aux tâches avec des conditions de grille régulières telles que la conception de puces et Go, les communautés urbaines présentent différentes formes de géométrie, plus diverses et irrégulières.
Pour résoudre ce problème, l'équipe de recherche a proposé un graphe de continuité urbaine pour décrire la topologie de la géométrie urbaine, avec des éléments géographiques urbains comme nœuds et une continuité spatiale comme bords. La construction de graphiques permet de capturer les relations spatiales fondamentales de toute forme de communauté. Par conséquent, ils formulent l’aménagement de l’espace comme un problème de décision séquentielle sur un graphique et planifient au niveau topologique plutôt qu’au niveau géométrique.
En outre, un autre défi majeur dans la planification de l’espace est l’immense espace de solution et l’espace d’action plus grand qui l’accompagne. L’espace d’action d’une communauté de taille moyenne peut facilement dépasser 4 000 puissance cent (4 000 actions possibles par étape, soit un total de 100 étapes pour la planification de l’espace communautaire), rendant impossible une recherche exhaustive.
Afin de réduire l'espace d'action, les chercheurs ont formé un agent d'IA, composé d'un réseau de valeurs et de deux réseaux politiques, pour trouver de bonnes stratégies de planification grâce à une exploration et une utilisation efficaces dans l'immense espace d'action. Plus précisément, le réseau de valeurs prédit la qualité de l'aménagement du territoire sur la base de la mise en œuvre du concept de « ville de 15 minutes », et les deux autres réseaux de politiques sont utilisés par l'agent d'IA pour sélectionner les utilisations du sol et l'emplacement des routes. En échantillonnant les actions du réseau politique et en estimant les récompenses à l’aide du réseau de valeurs, l’espace d’action est considérablement réduit.
Afin d'obtenir une représentation efficace des éléments géographiques urbains, les chercheurs ont développé un codeur d'état basé sur un réseau neuronal graphique (GNN), qui utilise la transmission de messages et l'agrégation des voisins sur le graphique de continuité urbaine pour capturer les segments de terrain et de route. et la relation spatiale entre les points d'intersection. Cet encodeur d'état GNN est partagé entre le réseau de valeurs et le réseau de politiques, facilitant ainsi la prédiction des récompenses et la sélection de l'emplacement. En fin de compte, les agents IA sont capables de générer des solutions de planification plus efficaces que les experts humains.
De nombreux résultats expérimentaux montrent que dans les mêmes conditions initiales et contraintes de planification, cette méthode surpasse considérablement les algorithmes de pointe et les experts humains et peut améliorer les indicateurs objectifs d'efficacité spatiale de plus de 48,6 %. Surtout en utilisant des communautés réelles existantes comme conditions initiales, le modèle peut générer des plans de transformation de l'utilisation des terres qui augmentent considérablement l'accessibilité des résidents à diverses installations de plus de 18,5 %.
En tenant compte de la maturité et de la complexité des méthodes de planification urbaine, sur la base du modèle DRL présenté, les chercheurs proposent un flux de travail pour la collaboration de l'IA avec des concepteurs humains, dans lequel le concepteur humain se concentre sur le prototypage de concepts et utilise le modèle pour effectuer le gros du travail et efforts de planification fastidieux.
Les résultats démontrent que les concepteurs humains peuvent bénéficier d'un flux de travail de collaboration IA-humain qui surpasse le travail entièrement humain en termes de mesures de planification objectives et de tests aveugles subjectifs avec 100 concepteurs humains professionnels. Flux de travail complet et amélioration du temps de 3 000 fois.
En outre, le modèle peut acquérir des compétences générales en matière de planification à partir de scénarios simples et les appliquer à des tâches de planification complexes à grande échelle dans la conception de différents styles, tels que les communautés vertes et les communautés de services.
L'apprentissage automatique favorise le développement urbain durable et la participation multipartite
Cependant, dans cette expérience, même si le nombre de plans spatiaux générés dépassait le million, il n'était toujours pas assez important par rapport aux ensembles de données utilisés dans des tâches DRL similaires (telles que Go et la conception de puces). De plus, étendre cette méthode de recherche au niveau de la ville nécessite de collecter un grand nombre d'échantillons de formation à partir de clusters distribués et d'utiliser plusieurs GPU sur plusieurs serveurs pour former des réseaux neuronaux plus vastes.
Il convient de noter que les trois sous-espaces de décomposition (quoi planifier, où planifier et comment planifier) peuvent être optimisés conjointement par l'agent, mais cela nécessite davantage d'échantillons d'entraînement. De plus, la section « Que planifier » peut être élargie pour inclure d'autres éléments importants liés à la durabilité urbaine, tels que les itinéraires et les gares de transports publics. De plus, ce cadre ignore également certains indicateurs d’évaluation subjectifs de l’aménagement du territoire, tels que les scores esthétiques et artistiques.
Les cadres actuels sont largement guidés par des indicateurs statiques, et s'il est possible de générer des plans de quartier avec une efficacité spatiale élevée, la planification d'une ville entière est une tâche plus complexe qui nécessite la prise en compte de divers objectifs, notamment la croissance économique et la santé des résidents. Il est presque impossible d’évaluer l’impact de la planification à l’échelle d’une ville à l’aide de certains indicateurs statiques.
Dans la plupart des expériences, les chercheurs ont ignoré des centaines de règles d’urbanisme et n’ont pas pris en compte les questions clés de la véritable planification urbaine, telles que la propriété foncière, l’accès public, la ségrégation urbaine et la rénovation. Cependant, avec les ajustements nécessaires et raisonnables, cette approche peut bien gérer ces questions réglementaires et politiques de planification pratique.
Bien que la recherche présente encore des lacunes, nous ne pouvons nier son importance.
L'apprentissage automatique en tant qu'outil de support peut augmenter la productivité des planificateurs humains et potentiellement créer une vie urbaine plus durable. En outre, en plus d’aider les planificateurs à accélérer le processus d’aménagement de l’espace, cela peut également apporter des avantages plus larges aux autres participants. En introduisant des options de personnalisation dans le modèle, une plateforme publique peut être construite pour faciliter la participation des résidents et des promoteurs au processus de planification.
Comme mentionné dans le document de recherche, l'urbanisme n'est jamais un simple jeu de choix de l'utilisation du sol et de l'emplacement des routes, mais une interaction complexe entre plusieurs parties prenantes. Le cadre proposé dans cette étude démontre la possibilité d'une participation plus élevée de tous les acteurs et constitue un petit pas vers une ville plus transparente et inclusive.
Liens de référence :
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Modèle d'IA Tsinghua publié dans la sous-journal Nature : Jouer avec l'aménagement du territoire urbain, 3000 fois plus rapide que les humains
Source : Titres académiques
Auteur : Yan Yimi
Editeur : Académicien
Aujourd’hui, dans le domaine de l’aménagement urbain, les concepteurs humains ont également des partenaires en IA.
Une équipe de recherche de l'Université Tsinghua a proposé un modèle d'algorithme d'apprentissage par renforcement profond. Basé sur le concept de ville des 15 minutes, ce modèle permet une planification complexe de l'espace urbain. Combinée à la contribution humaine, la planification spatiale des terres et des routes assistée par apprentissage automatique a surpassé les autres algorithmes et les concepteurs humains professionnels d'environ 50 % sur toutes les mesures prises en compte et jusqu'à 3 000 fois plus rapide.
Le document de recherche pertinent s'intitule « Planification spatiale des communautés urbaines via un apprentissage par renforcement profond » et vient d'être publié dans le dernier numéro de la sous-revue Nature Nature Computational Science.
L'urbanisme a un besoin urgent de changement et le concept de « ville à 15 minutes » est très populaire
Les villes sont devenues des centres d’innovation, de créativité et d’opportunités, attirant des personnes de tous horizons à la recherche de divertissement, d’éducation, de soins de santé et d’opportunités d’emploi. **Une planification spatiale efficace est essentielle à l'activité économique et au développement durable des villes. **
La planification urbaine moderne est souvent axée sur les véhicules, privilégiant les fonctions centralisées et les modes de transport dépendants de la voiture, ce qui non seulement crée des embouteillages mais contribue également au réchauffement climatique. Dans le même temps, la pandémie de coronavirus a également mis en évidence la vulnérabilité des villes pendant le confinement. Par conséquent, la planification urbaine doit être transformée de toute urgence et le passage d'une approche axée sur les véhicules à une approche axée sur les personnes doit être accéléré.
Il convient de noter que le concept de « villes en 15 minutes » devient de plus en plus populaire dans la planification de nouvelles communautés urbaines et la rénovation de communautés existantes, où les résidents peuvent accéder aux services de base à pied ou à vélo en 15 minutes. Il reflète les attentes des gens en matière d'aménagement à haute efficacité spatiale. dans les communautés urbaines.
Les agents IA peuvent générer des solutions de planification plus efficaces que les experts humains
Pour relever les défis ci-dessus, une équipe de recherche de l'Université Tsinghua a proposé un modèle de planification urbaine basé sur un apprentissage par renforcement profond, capable de générer une utilisation des terres et des tracés routiers pour les communautés urbaines.
Cependant, par rapport aux tâches avec des conditions de grille régulières telles que la conception de puces et Go, les communautés urbaines présentent différentes formes de géométrie, plus diverses et irrégulières.
Pour résoudre ce problème, l'équipe de recherche a proposé un graphe de continuité urbaine pour décrire la topologie de la géométrie urbaine, avec des éléments géographiques urbains comme nœuds et une continuité spatiale comme bords. La construction de graphiques permet de capturer les relations spatiales fondamentales de toute forme de communauté. Par conséquent, ils formulent l’aménagement de l’espace comme un problème de décision séquentielle sur un graphique et planifient au niveau topologique plutôt qu’au niveau géométrique.
Afin de réduire l'espace d'action, les chercheurs ont formé un agent d'IA, composé d'un réseau de valeurs et de deux réseaux politiques, pour trouver de bonnes stratégies de planification grâce à une exploration et une utilisation efficaces dans l'immense espace d'action. Plus précisément, le réseau de valeurs prédit la qualité de l'aménagement du territoire sur la base de la mise en œuvre du concept de « ville de 15 minutes », et les deux autres réseaux de politiques sont utilisés par l'agent d'IA pour sélectionner les utilisations du sol et l'emplacement des routes. En échantillonnant les actions du réseau politique et en estimant les récompenses à l’aide du réseau de valeurs, l’espace d’action est considérablement réduit.
Afin d'obtenir une représentation efficace des éléments géographiques urbains, les chercheurs ont développé un codeur d'état basé sur un réseau neuronal graphique (GNN), qui utilise la transmission de messages et l'agrégation des voisins sur le graphique de continuité urbaine pour capturer les segments de terrain et de route. et la relation spatiale entre les points d'intersection. Cet encodeur d'état GNN est partagé entre le réseau de valeurs et le réseau de politiques, facilitant ainsi la prédiction des récompenses et la sélection de l'emplacement. En fin de compte, les agents IA sont capables de générer des solutions de planification plus efficaces que les experts humains.
En tenant compte de la maturité et de la complexité des méthodes de planification urbaine, sur la base du modèle DRL présenté, les chercheurs proposent un flux de travail pour la collaboration de l'IA avec des concepteurs humains, dans lequel le concepteur humain se concentre sur le prototypage de concepts et utilise le modèle pour effectuer le gros du travail et efforts de planification fastidieux.
Les résultats démontrent que les concepteurs humains peuvent bénéficier d'un flux de travail de collaboration IA-humain qui surpasse le travail entièrement humain en termes de mesures de planification objectives et de tests aveugles subjectifs avec 100 concepteurs humains professionnels. Flux de travail complet et amélioration du temps de 3 000 fois.
En outre, le modèle peut acquérir des compétences générales en matière de planification à partir de scénarios simples et les appliquer à des tâches de planification complexes à grande échelle dans la conception de différents styles, tels que les communautés vertes et les communautés de services.
L'apprentissage automatique favorise le développement urbain durable et la participation multipartite
Cependant, dans cette expérience, même si le nombre de plans spatiaux générés dépassait le million, il n'était toujours pas assez important par rapport aux ensembles de données utilisés dans des tâches DRL similaires (telles que Go et la conception de puces). De plus, étendre cette méthode de recherche au niveau de la ville nécessite de collecter un grand nombre d'échantillons de formation à partir de clusters distribués et d'utiliser plusieurs GPU sur plusieurs serveurs pour former des réseaux neuronaux plus vastes.
Il convient de noter que les trois sous-espaces de décomposition (quoi planifier, où planifier et comment planifier) peuvent être optimisés conjointement par l'agent, mais cela nécessite davantage d'échantillons d'entraînement. De plus, la section « Que planifier » peut être élargie pour inclure d'autres éléments importants liés à la durabilité urbaine, tels que les itinéraires et les gares de transports publics. De plus, ce cadre ignore également certains indicateurs d’évaluation subjectifs de l’aménagement du territoire, tels que les scores esthétiques et artistiques.
Dans la plupart des expériences, les chercheurs ont ignoré des centaines de règles d’urbanisme et n’ont pas pris en compte les questions clés de la véritable planification urbaine, telles que la propriété foncière, l’accès public, la ségrégation urbaine et la rénovation. Cependant, avec les ajustements nécessaires et raisonnables, cette approche peut bien gérer ces questions réglementaires et politiques de planification pratique.
L'apprentissage automatique en tant qu'outil de support peut augmenter la productivité des planificateurs humains et potentiellement créer une vie urbaine plus durable. En outre, en plus d’aider les planificateurs à accélérer le processus d’aménagement de l’espace, cela peut également apporter des avantages plus larges aux autres participants. En introduisant des options de personnalisation dans le modèle, une plateforme publique peut être construite pour faciliter la participation des résidents et des promoteurs au processus de planification.
Comme mentionné dans le document de recherche, l'urbanisme n'est jamais un simple jeu de choix de l'utilisation du sol et de l'emplacement des routes, mais une interaction complexe entre plusieurs parties prenantes. Le cadre proposé dans cette étude démontre la possibilité d'une participation plus élevée de tous les acteurs et constitue un petit pas vers une ville plus transparente et inclusive.
Liens de référence :