Saat ini, di bidang perencanaan tata ruang kota, perancang manusia juga memiliki mitra AI.
Tim peneliti dari Universitas Tsinghua mengusulkan model algoritma pembelajaran penguatan mendalam. Berdasarkan konsep kota 15 menit, model ini memungkinkan perencanaan ruang kota yang kompleks. Dikombinasikan dengan masukan manusia, perencanaan tata ruang darat dan jalan yang dibantu pembelajaran mesin mengungguli algoritma lain dan perancang manusia profesional, sekitar 50% pada semua metrik yang dipertimbangkan dan hingga 3.000 kali lebih cepat.
Makalah penelitian yang relevan berjudul "Perencanaan tata ruang komunitas perkotaan melalui pembelajaran penguatan mendalam" dan baru saja diterbitkan dalam edisi terbaru sub-jurnal NatureNature Computational Science.
Dalam artikel News & Views yang bersamaan, Paolo Santi, seorang ilmuwan peneliti di MIT Senseable City Lab, menulis: "Yu Zheng dkk. mengatasi tantangan konseptual dan komputasi utama. Pada saat yang sama, hal ini juga berhasil menunjukkan kelayakan mengintegrasikan AI dan alur kerja manusia di bidang perencanaan tata ruang, memberikan banyak arahan penelitian untuk masa depan**.
Perencanaan kota sangat membutuhkan perubahan, dan konsep “kota 15 menit” sangat populer
Kota telah menjadi pusat inovasi, kreativitas, dan peluang, menarik orang-orang dari berbagai lapisan masyarakat yang mencari hiburan, pendidikan, layanan kesehatan, dan peluang kerja. **Perencanaan tata ruang yang efektif sangat penting untuk kegiatan ekonomi dan pembangunan kota yang berkelanjutan. **
Perencanaan kota modern seringkali berorientasi pada kendaraan, mengutamakan fungsi terpusat dan moda transportasi yang bergantung pada mobil, yang tidak hanya menciptakan kemacetan lalu lintas tetapi juga berkontribusi terhadap pemanasan global. Pada saat yang sama, pandemi virus corona juga mengungkap kerentanan perkotaan selama lockdown. Oleh karena itu, perencanaan kota perlu segera diubah, dan peralihan dari berorientasi pada kendaraan ke berorientasi pada manusia perlu dipercepat.
Perlu dicatat bahwa konsep "kota 15 menit" menjadi semakin populer dalam perencanaan komunitas perkotaan baru dan renovasi komunitas yang sudah ada, di mana penduduk dapat berjalan kaki atau bersepeda ke layanan dasar dalam waktu 15 menit. Hal ini mencerminkan ekspektasi masyarakat terhadap tata ruang yang memiliki efisiensi tata ruang yang tinggi. pada masyarakat perkotaan.
Namun, manusia telah menginvestasikan upaya puluhan tahun dalam mengembangkan model komputasi dan alat pendukung untuk mengotomatisasi perencanaan kota. Meskipun manusia perencana kota saat ini jauh lebih produktif menggunakan alat GIS dibandingkan beberapa dekade yang lalu,** tugas tata letak yang membosankan masih perlu dilakukan secara manual**.
Agen AI dapat menghasilkan solusi perencanaan yang lebih efisien dibandingkan pakar manusia
Untuk mengatasi tantangan di atas, tim peneliti dari Universitas Tsinghua mengusulkan model perencanaan kota berdasarkan pembelajaran penguatan mendalam, yang mampu menghasilkan tata guna lahan dan jalan bagi masyarakat perkotaan.
Namun, dibandingkan dengan tugas-tugas dengan kondisi jaringan biasa seperti desain chip dan Go, komunitas perkotaan menghadirkan bentuk geometri berbeda yang lebih beragam dan tidak beraturan.
Untuk mengatasi masalah ini, tim peneliti mengusulkan grafik kontinuitas perkotaan untuk menggambarkan topologi geometri perkotaan, dengan elemen geografis perkotaan sebagai simpul dan kontinuitas spasial sebagai tepinya. Konstruksi grafik memungkinkan menangkap hubungan spasial mendasar dari segala bentuk komunitas. Oleh karena itu, mereka merumuskan perencanaan ruang sebagai masalah keputusan berurutan pada grafik dan denah pada tingkat topologi, bukan pada tingkat geometris.
Selain itu, tantangan besar lainnya dalam perencanaan ruang adalah besarnya ruang solusi dan semakin besarnya ruang tindakan yang menyertainya. Ruang tindakan pada komunitas berukuran sedang dapat dengan mudah melebihi 4000 pangkat seratus (4000 kemungkinan tindakan per langkah, total 100 langkah untuk perencanaan ruang komunitas), sehingga pencarian menyeluruh menjadi tidak mungkin dilakukan.
Untuk mengurangi ruang tindakan, para peneliti melatih agen AI, yang terdiri dari jaringan nilai dan dua jaringan kebijakan untuk menemukan strategi perencanaan yang baik melalui eksplorasi dan pemanfaatan yang efisien dalam ruang tindakan yang besar. . Secara khusus, jaringan nilai memprediksi kualitas perencanaan tata ruang berdasarkan penerapan konsep “kota 15 menit”, dan dua jaringan kebijakan lainnya digunakan oleh agen AI untuk memilih penggunaan lahan dan lokasi jalan. Dengan mengambil sampel tindakan dari jaringan kebijakan dan memperkirakan imbalan menggunakan jaringan nilai, ruang tindakan akan berkurang secara signifikan.
Untuk mendapatkan representasi elemen geografis perkotaan yang efektif, para peneliti mengembangkan lebih lanjut encoder negara berdasarkan jaringan saraf graf (GNN), yang menggunakan penyampaian pesan dan agregasi tetangga pada grafik kontinuitas perkotaan untuk menangkap segmen lahan dan jalan. dan hubungan spasial antar titik potong. Encoder status GNN ini dibagi antara jaringan nilai dan jaringan kebijakan, sehingga memfasilitasi prediksi imbalan dan pemilihan lokasi. Pada akhirnya, agen AI mampu menghasilkan solusi perencanaan yang lebih efisien dibandingkan manusia.
Hasil eksperimen ekstensif menunjukkan bahwa dalam kondisi awal dan batasan perencanaan yang sama, metode ini secara signifikan mengungguli algoritme canggih dan pakar manusia dan dapat meningkatkan indikator objektif efisiensi ruang hingga lebih dari 48,6%. Apalagi jika menggunakan komunitas nyata yang ada sebagai kondisi awal, model tersebut dapat menghasilkan rencana transformasi penggunaan lahan yang secara signifikan meningkatkan aksesibilitas warga terhadap berbagai fasilitas hingga lebih dari 18,5%.
Dengan mempertimbangkan kematangan dan kompleksitas metode perencanaan kota, berdasarkan model DRL yang disajikan, para peneliti mengusulkan alur kerja untuk kolaborasi AI dengan perancang manusia, di mana perancang manusia berfokus pada pembuatan prototipe konsep dan memanfaatkan model tersebut untuk menyelesaikan pekerjaan berat dan pekerjaan berat. upaya perencanaan yang memakan waktu.
Hasilnya menunjukkan bahwa desainer manusia dapat memperoleh manfaat dari alur kerja kolaborasi AI-manusia yang sepenuhnya mengungguli tenaga kerja manusia baik dalam metrik perencanaan objektif maupun pengujian buta subjektif dengan 100 desainer manusia profesional. Selesaikan alur kerja dan tingkatkan efisiensi waktu hingga 3000 kali lipat.
Selain itu, model ini dapat mempelajari keterampilan perencanaan umum dari skenario sederhana dan menerapkannya pada tugas perencanaan kompleks berskala besar dalam merancang gaya yang berbeda, seperti komunitas hijau dan komunitas layanan.
Pembelajaran mesin mendorong pembangunan perkotaan berkelanjutan dan partisipasi multipihak
Namun, dalam percobaan ini, meskipun jumlah rencana tata ruang yang dihasilkan melebihi 1 juta, jumlah tersebut masih belum cukup besar dibandingkan dengan kumpulan data yang digunakan dalam tugas DRL serupa (seperti Go dan desain chip). Selain itu, memperluas metode penelitian ini ke tingkat kota memerlukan pengumpulan sampel pelatihan dalam jumlah besar dari cluster terdistribusi dan penggunaan beberapa GPU di beberapa server untuk melatih jaringan saraf yang lebih besar.
Perlu dicatat bahwa tiga subruang dekomposisi (apa yang direncanakan, di mana merencanakan, dan bagaimana merencanakan) dapat dioptimalkan bersama oleh agen, namun hal ini memerlukan lebih banyak sampel pelatihan. Selain itu, bagian rencana dapat diperluas untuk mencakup elemen penting lainnya yang berkaitan dengan keberlanjutan perkotaan, seperti rute dan stasiun angkutan umum. Selain itu, kerangka ini juga mengabaikan beberapa indikator evaluasi subjektif perencanaan tata ruang, seperti nilai estetika dan artistik.
Kerangka kerja yang ada saat ini sebagian besar dipandu oleh indikator-indikator statis, dan meskipun dimungkinkan untuk menghasilkan rencana lingkungan dengan efisiensi spasial yang tinggi, perencanaan seluruh kota adalah tugas yang lebih kompleks yang memerlukan pertimbangan beragam tujuan termasuk pertumbuhan ekonomi dan kesehatan penduduk. Hampir tidak mungkin untuk menilai dampak perencanaan tingkat kota melalui beberapa indikator statis.
Dalam sebagian besar eksperimen, para peneliti mengabaikan ratusan aturan perencanaan kota dan gagal memperhitungkan isu-isu utama dalam perencanaan kota yang sebenarnya seperti kepemilikan tanah, akses publik, segregasi kota, dan renovasi. Namun, dengan penyesuaian yang diperlukan dan masuk akal, pendekatan ini dapat menangani permasalahan peraturan dan politik dalam perencanaan praktis dengan baik.
Meskipun penelitian ini masih memiliki kekurangan, kami tidak dapat menyangkal signifikansinya.
Pembelajaran mesin sebagai alat pendukung dapat meningkatkan produktivitas manusia perencana dan juga berpotensi menciptakan kehidupan perkotaan yang lebih berkelanjutan. Selain itu, selain membantu perencana mempercepat proses penataan ruang, juga dapat memberikan manfaat yang lebih luas bagi peserta lainnya. Dengan memasukkan opsi penyesuaian ke dalam model, platform publik dapat dibangun untuk memfasilitasi partisipasi warga dan pengembang dalam proses perencanaan.
Sebagaimana disebutkan dalam makalah penelitian, perencanaan kota bukanlah permainan sederhana dalam memilih penggunaan lahan dan lokasi jalan, namun merupakan interaksi kompleks antara berbagai pemangku kepentingan. Kerangka kerja yang diusulkan dalam studi ini menunjukkan kemungkinan partisipasi yang lebih tinggi dari semua aktor dan merupakan sebuah langkah kecil menuju kota yang lebih transparan dan inklusif.
Tautan referensi:
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Model AI Tsinghua diterbitkan di sub-jurnal Nature: Bermain dengan perencanaan tata ruang kota, 3000 kali lebih cepat dari manusia
Sumber: Berita Utama Akademik
Penulis: Yan Yimi
Editor: Akademisi
Saat ini, di bidang perencanaan tata ruang kota, perancang manusia juga memiliki mitra AI.
Tim peneliti dari Universitas Tsinghua mengusulkan model algoritma pembelajaran penguatan mendalam. Berdasarkan konsep kota 15 menit, model ini memungkinkan perencanaan ruang kota yang kompleks. Dikombinasikan dengan masukan manusia, perencanaan tata ruang darat dan jalan yang dibantu pembelajaran mesin mengungguli algoritma lain dan perancang manusia profesional, sekitar 50% pada semua metrik yang dipertimbangkan dan hingga 3.000 kali lebih cepat.
Makalah penelitian yang relevan berjudul "Perencanaan tata ruang komunitas perkotaan melalui pembelajaran penguatan mendalam" dan baru saja diterbitkan dalam edisi terbaru sub-jurnal Nature Nature Computational Science.
Perencanaan kota sangat membutuhkan perubahan, dan konsep “kota 15 menit” sangat populer
Kota telah menjadi pusat inovasi, kreativitas, dan peluang, menarik orang-orang dari berbagai lapisan masyarakat yang mencari hiburan, pendidikan, layanan kesehatan, dan peluang kerja. **Perencanaan tata ruang yang efektif sangat penting untuk kegiatan ekonomi dan pembangunan kota yang berkelanjutan. **
Perencanaan kota modern seringkali berorientasi pada kendaraan, mengutamakan fungsi terpusat dan moda transportasi yang bergantung pada mobil, yang tidak hanya menciptakan kemacetan lalu lintas tetapi juga berkontribusi terhadap pemanasan global. Pada saat yang sama, pandemi virus corona juga mengungkap kerentanan perkotaan selama lockdown. Oleh karena itu, perencanaan kota perlu segera diubah, dan peralihan dari berorientasi pada kendaraan ke berorientasi pada manusia perlu dipercepat.
Perlu dicatat bahwa konsep "kota 15 menit" menjadi semakin populer dalam perencanaan komunitas perkotaan baru dan renovasi komunitas yang sudah ada, di mana penduduk dapat berjalan kaki atau bersepeda ke layanan dasar dalam waktu 15 menit. Hal ini mencerminkan ekspektasi masyarakat terhadap tata ruang yang memiliki efisiensi tata ruang yang tinggi. pada masyarakat perkotaan.
Agen AI dapat menghasilkan solusi perencanaan yang lebih efisien dibandingkan pakar manusia
Untuk mengatasi tantangan di atas, tim peneliti dari Universitas Tsinghua mengusulkan model perencanaan kota berdasarkan pembelajaran penguatan mendalam, yang mampu menghasilkan tata guna lahan dan jalan bagi masyarakat perkotaan.
Namun, dibandingkan dengan tugas-tugas dengan kondisi jaringan biasa seperti desain chip dan Go, komunitas perkotaan menghadirkan bentuk geometri berbeda yang lebih beragam dan tidak beraturan.
Untuk mengatasi masalah ini, tim peneliti mengusulkan grafik kontinuitas perkotaan untuk menggambarkan topologi geometri perkotaan, dengan elemen geografis perkotaan sebagai simpul dan kontinuitas spasial sebagai tepinya. Konstruksi grafik memungkinkan menangkap hubungan spasial mendasar dari segala bentuk komunitas. Oleh karena itu, mereka merumuskan perencanaan ruang sebagai masalah keputusan berurutan pada grafik dan denah pada tingkat topologi, bukan pada tingkat geometris.
Untuk mengurangi ruang tindakan, para peneliti melatih agen AI, yang terdiri dari jaringan nilai dan dua jaringan kebijakan untuk menemukan strategi perencanaan yang baik melalui eksplorasi dan pemanfaatan yang efisien dalam ruang tindakan yang besar. . Secara khusus, jaringan nilai memprediksi kualitas perencanaan tata ruang berdasarkan penerapan konsep “kota 15 menit”, dan dua jaringan kebijakan lainnya digunakan oleh agen AI untuk memilih penggunaan lahan dan lokasi jalan. Dengan mengambil sampel tindakan dari jaringan kebijakan dan memperkirakan imbalan menggunakan jaringan nilai, ruang tindakan akan berkurang secara signifikan.
Untuk mendapatkan representasi elemen geografis perkotaan yang efektif, para peneliti mengembangkan lebih lanjut encoder negara berdasarkan jaringan saraf graf (GNN), yang menggunakan penyampaian pesan dan agregasi tetangga pada grafik kontinuitas perkotaan untuk menangkap segmen lahan dan jalan. dan hubungan spasial antar titik potong. Encoder status GNN ini dibagi antara jaringan nilai dan jaringan kebijakan, sehingga memfasilitasi prediksi imbalan dan pemilihan lokasi. Pada akhirnya, agen AI mampu menghasilkan solusi perencanaan yang lebih efisien dibandingkan manusia.
Dengan mempertimbangkan kematangan dan kompleksitas metode perencanaan kota, berdasarkan model DRL yang disajikan, para peneliti mengusulkan alur kerja untuk kolaborasi AI dengan perancang manusia, di mana perancang manusia berfokus pada pembuatan prototipe konsep dan memanfaatkan model tersebut untuk menyelesaikan pekerjaan berat dan pekerjaan berat. upaya perencanaan yang memakan waktu.
Hasilnya menunjukkan bahwa desainer manusia dapat memperoleh manfaat dari alur kerja kolaborasi AI-manusia yang sepenuhnya mengungguli tenaga kerja manusia baik dalam metrik perencanaan objektif maupun pengujian buta subjektif dengan 100 desainer manusia profesional. Selesaikan alur kerja dan tingkatkan efisiensi waktu hingga 3000 kali lipat.
Selain itu, model ini dapat mempelajari keterampilan perencanaan umum dari skenario sederhana dan menerapkannya pada tugas perencanaan kompleks berskala besar dalam merancang gaya yang berbeda, seperti komunitas hijau dan komunitas layanan.
Pembelajaran mesin mendorong pembangunan perkotaan berkelanjutan dan partisipasi multipihak
Namun, dalam percobaan ini, meskipun jumlah rencana tata ruang yang dihasilkan melebihi 1 juta, jumlah tersebut masih belum cukup besar dibandingkan dengan kumpulan data yang digunakan dalam tugas DRL serupa (seperti Go dan desain chip). Selain itu, memperluas metode penelitian ini ke tingkat kota memerlukan pengumpulan sampel pelatihan dalam jumlah besar dari cluster terdistribusi dan penggunaan beberapa GPU di beberapa server untuk melatih jaringan saraf yang lebih besar.
Perlu dicatat bahwa tiga subruang dekomposisi (apa yang direncanakan, di mana merencanakan, dan bagaimana merencanakan) dapat dioptimalkan bersama oleh agen, namun hal ini memerlukan lebih banyak sampel pelatihan. Selain itu, bagian rencana dapat diperluas untuk mencakup elemen penting lainnya yang berkaitan dengan keberlanjutan perkotaan, seperti rute dan stasiun angkutan umum. Selain itu, kerangka ini juga mengabaikan beberapa indikator evaluasi subjektif perencanaan tata ruang, seperti nilai estetika dan artistik.
Dalam sebagian besar eksperimen, para peneliti mengabaikan ratusan aturan perencanaan kota dan gagal memperhitungkan isu-isu utama dalam perencanaan kota yang sebenarnya seperti kepemilikan tanah, akses publik, segregasi kota, dan renovasi. Namun, dengan penyesuaian yang diperlukan dan masuk akal, pendekatan ini dapat menangani permasalahan peraturan dan politik dalam perencanaan praktis dengan baik.
Pembelajaran mesin sebagai alat pendukung dapat meningkatkan produktivitas manusia perencana dan juga berpotensi menciptakan kehidupan perkotaan yang lebih berkelanjutan. Selain itu, selain membantu perencana mempercepat proses penataan ruang, juga dapat memberikan manfaat yang lebih luas bagi peserta lainnya. Dengan memasukkan opsi penyesuaian ke dalam model, platform publik dapat dibangun untuk memfasilitasi partisipasi warga dan pengembang dalam proses perencanaan.
Sebagaimana disebutkan dalam makalah penelitian, perencanaan kota bukanlah permainan sederhana dalam memilih penggunaan lahan dan lokasi jalan, namun merupakan interaksi kompleks antara berbagai pemangku kepentingan. Kerangka kerja yang diusulkan dalam studi ini menunjukkan kemungkinan partisipasi yang lebih tinggi dari semua aktor dan merupakan sebuah langkah kecil menuju kota yang lebih transparan dan inklusif.
Tautan referensi: