MIT Senseable City Lab の研究科学者である Paolo Santi 氏は同時開催の News & Views 記事で次のように書いています。「Yu Zheng らは主要な概念的および計算上の課題に取り組んでいます。同時に、AI の統合の実現可能性も実証しました」空間レイアウト計画の分野における人間のワークフローを分析し、将来に向けた豊富な研究の方向性を提供します**。
研究者らは、提示された DRL モデルに基づいて、都市計画手法の成熟度と複雑さを考慮して、人間のデザイナーと AI がコラボレーションするためのワークフローを提案しています。このワークフローでは、人間のデザイナーはコンセプトのプロトタイピングに焦点を当て、モデルを利用して重労働や作業を完了します。時間のかかる計画作業。
この結果は、人間のデザイナーが AI と人間のコラボレーション ワークフロー から恩恵を受けられることを示しており、客観的な計画基準と 100 人のプロの人間デザイナーによる主観的なブラインド テストの両方において、完全に人間の労働よりも優れたパフォーマンスを発揮します。ワークフローを完成させ、時間効率を 3000 倍向上させます。
Nature サブジャーナルに清華 AI モデルが掲載: 人間の 3000 倍の速さで都市空間計画を遊ぶ
出典: 学術ヘッドライン
著者: ヤン・イミ
編集者: 学者
現在、都市空間計画の分野では、人間のデザイナーにも AI パートナーがいます。
**清華大学の研究チームが深層強化学習アルゴリズムのモデルを提案しました。 **15分都市構想に基づき、複雑な都市空間計画を可能にするモデル。人間の入力と組み合わせた機械学習支援の土地および道路の空間計画は、他のアルゴリズムや人間のプロのデザイナーよりも優れたパフォーマンスを示し、考慮されたすべての指標で約 50%、最大 3,000 倍高速でした。
関連する研究論文のタイトルは「深層強化学習による都市コミュニティの空間計画」で、Nature サブジャーナル Nature Computational Science の最新号に掲載されたばかりです。
都市計画は早急に変化する必要があり、「15 分都市」という概念が広く普及しています
都市はイノベーション、創造性、機会の中心地となり、エンターテイメント、教育、医療、雇用の機会を求めるあらゆる階層の人々を惹きつけています。 **効果的な空間計画は、経済活動と都市の持続可能な発展にとって不可欠です。 **
現代の都市計画は、多くの場合、自動車中心であり、集中化された機能と自動車に依存した交通手段を優先しており、交通渋滞を引き起こすだけでなく、地球温暖化の一因にもなっています。同時に、コロナウイルスのパンデミックは、ロックダウン中の都市の脆弱性も露呈させた。 したがって、都市計画を早急に変革し、車両中心から人中心への移行を加速する必要があります。
新しい都市コミュニティの計画や既存コミュニティの改修において、基本的なサービスまで徒歩または自転車で15分以内にアクセスできる「15分都市」の概念がますます普及しており、空間効率の高いレイアウトに対する人々の期待を反映していることは注目に値します。都市部のコミュニティで。
AI エージェントは人間の専門家よりも効率的な計画ソリューションを生成できます
上記の課題に対処するために、清華大学の研究チームは、都市コミュニティの土地利用と道路レイアウトを生成できる深層強化学習に基づく都市計画モデルを提案しました。
ただし、チップ設計や囲碁などの規則的なグリッド条件を持つタスクと比較して、都市コミュニティでは、より多様で不規則なさまざまな形のジオメトリが表示されます。
この問題を解決するために、研究チームは、都市地理要素をノード、空間連続性をエッジとして、都市幾何学のトポロジーを記述する都市連続性グラフを提案しました。グラフを構築すると、あらゆる形態のコミュニティの基本的な空間関係を捉えることができます。したがって、彼らは空間計画をグラフ上の逐次決定問題として定式化し、幾何学レベルではなく位相レベルで計画します。
**行動空間を削減するために、研究者らは、巨大な行動空間での効率的な探索と利用を通じて適切な計画戦略を見つけるために、価値ネットワークと 2 つのポリシー ネットワークで構成される AI エージェントを訓練しました。具体的には、バリュー ネットワークは「15 分都市」コンセプトの実装に基づいて空間計画の品質を予測し、他の 2 つのポリシー ネットワークは AI エージェントによって土地利用と道路の位置を選択するために使用されます。ポリシー ネットワークからアクションをサンプリングし、バリュー ネットワークを使用して報酬を推定することにより、アクション スペースが大幅に削減されます。
都市の地理的要素を効果的に表現するために、研究者らはグラフ ニューラル ネットワーク (GNN) に基づく状態エンコーダーをさらに開発しました。これは、都市連続性グラフ上でメッセージ パッシングと近隣集約を使用して土地、道路セグメントをキャプチャします。そして交点間の空間関係。この GNN 状態エンコーダーはバリュー ネットワークとポリシー ネットワーク間で共有されるため、報酬の予測と場所の選択が容易になります。最終的に、AI エージェントは人間の専門家よりも効率的な計画ソリューションを生成できます。
研究者らは、提示された DRL モデルに基づいて、都市計画手法の成熟度と複雑さを考慮して、人間のデザイナーと AI がコラボレーションするためのワークフローを提案しています。このワークフローでは、人間のデザイナーはコンセプトのプロトタイピングに焦点を当て、モデルを利用して重労働や作業を完了します。時間のかかる計画作業。
この結果は、人間のデザイナーが AI と人間のコラボレーション ワークフロー から恩恵を受けられることを示しており、客観的な計画基準と 100 人のプロの人間デザイナーによる主観的なブラインド テストの両方において、完全に人間の労働よりも優れたパフォーマンスを発揮します。ワークフローを完成させ、時間効率を 3000 倍向上させます。
さらに、モデルは単純なシナリオから一般的な計画スキルを学習し、それをグリーン コミュニティやサービス コミュニティなどのさまざまなスタイルを設計する際の大規模で複雑な計画タスクに適用できます。
機械学習は持続可能な都市開発と複数の関係者の参加を促進します
ただし、この実験では、生成された空間プランの数は 100 万を超えましたが、同様の DRL タスク (Go やチップ設計など) で利用されるデータセットと比較すると、まだ十分な量ではありませんでした。さらに、この研究方法を都市レベルに拡張するには、分散クラスターから大量のトレーニング サンプルを収集し、複数のサーバー上で複数の GPU を使用して大規模なニューラル ネットワークをトレーニングする必要があります。
分解の 3 つの部分空間 (何を計画するか、どこで計画するか、どのように計画するか) はエージェントによって共同で最適化できることは注目に値しますが、これにはより多くのトレーニング サンプルが必要です。さらに、何を計画するかというセクションを拡張して、公共交通機関のルートや駅など、都市の持続可能性に関連する他の重要な要素を含めることもできます。さらに、この枠組みでは、美的・芸術的スコアなど、空間計画の主観的な評価指標の一部も無視されています。
ほとんどの実験では、研究者らは何百もの都市計画規則を無視し、土地所有権、公共アクセス、都市分離、改修など実際の都市計画における重要な問題を考慮に入れていなかった。ただし、必要かつ合理的な調整を行うことで、このアプローチは実際の計画に関するこれらの規制上および政治上の問題をうまく処理できます。
サポートツールとしての機械学習は、人間の計画担当者の生産性を向上させ、より持続可能な都市生活を生み出す可能性もあります。さらに、プランナーがスペース レイアウト プロセスをスピードアップできるだけでなく、他の参加者にも幅広いメリットをもたらすことができます。カスタマイズ オプションをモデルに導入することで、住民や開発者の計画プロセスへの参加を促進するパブリック プラットフォームを構築できます。
研究論文で述べられているように、都市計画は決して土地利用と道路の位置を選択する単純なゲームではなく、複数の利害関係者間の複雑な相互作用です。この研究で提案された枠組みは、すべての関係者によるより高い参加の可能性を示しており、より透明で包括的な都市への小さな一歩です。
参考リンク: