Модель искусственного интеллекта Цинхуа, опубликованная в поджурнале Nature: Игра с городским пространственным планированием в 3000 раз быстрее, чем у людей
Сегодня в области городского пространственного планирования у дизайнеров-людей также есть партнеры по искусственному интеллекту.
Исследовательская группа из Университета Цинхуа предложила модель алгоритма глубокого обучения с подкреплением. Эта модель, основанная на концепции города за 15 минут, обеспечивает комплексное планирование городского пространства. В сочетании с участием человека пространственное планирование территорий и дорог с помощью машинного обучения превзошло другие алгоритмы и профессиональных проектировщиков примерно на 50 % по всем рассматриваемым показателям и в 3000 раз быстрее.
Соответствующая исследовательская статья называется «Пространственное планирование городских сообществ посредством глубокого обучения с подкреплением» и только что была опубликована в последнем выпуске поджурнала NatureNature Computational Science.
В параллельной статье News & Views Паоло Санти, ученый-исследователь из лаборатории MIT Senseable City Lab, написал: «Ю Чжэн и др. решают ключевые концептуальные и вычислительные проблемы. В то же время они также успешно продемонстрировали осуществимость интеграции ИИ и человеческий рабочий процесс в области планирования пространственной планировки, открывая множество направлений исследований на будущее**.
Городское планирование остро нуждается в переменах, а концепция «города за 15 минут» пользуется широкой популярностью
Города стали центрами инноваций, творчества и возможностей, привлекая людей из всех слоев общества, ищущих развлечения, образование, здравоохранение и возможности трудоустройства. **Эффективное пространственное планирование имеет важное значение для экономической деятельности и устойчивого развития городов. **
Современное городское планирование часто ориентировано на транспортные средства, отдавая предпочтение централизованным функциям и зависимым от автомобилей видам транспорта, что не только создает пробки на дорогах, но и способствует глобальному потеплению. В то же время пандемия коронавируса также выявила уязвимость городов во время карантина. Поэтому городское планирование необходимо срочно трансформировать, а переход от ориентации на транспортные средства к ориентации на людей необходимо ускорить.
Стоит отметить, что концепция «городов за 15 минут» становится все более популярной при планировании новых городских поселений и реконструкции существующих поселений, где жители могут пешком или на велосипеде добраться до основных услуг за 15 минут. Это отражает ожидания людей в отношении высокой пространственной эффективности планировки. в городских сообществах.
Однако люди вложили десятилетия усилий в разработку вычислительных моделей и вспомогательных инструментов для автоматизации городского планирования. Хотя городские планировщики сегодня на порядки более продуктивны, используя инструменты ГИС, чем десятилетия назад**, утомительные задачи по планировке по-прежнему приходится выполнять вручную**.
Агенты ИИ могут генерировать более эффективные решения для планирования, чем люди-эксперты
Чтобы решить вышеупомянутые проблемы, исследовательская группа из Университета Цинхуа предложила модель городского планирования, основанную на глубоком обучении с подкреплением, которая способна генерировать землепользование и схемы дорог для городских сообществ.
Однако по сравнению с задачами с регулярными условиями сетки, такими как проектирование чипов и Го, городские сообщества представляют собой различные формы геометрии, которые более разнообразны и нерегулярны.
Чтобы решить эту проблему, исследовательская группа предложила граф непрерывности города, описывающий топологию городской геометрии, с городскими географическими элементами в качестве узлов и пространственной непрерывностью в качестве ребер. Построение графиков позволяет отразить фундаментальные пространственные отношения любой формы сообщества. Поэтому они формулируют планирование пространства как задачу последовательного решения на графе и планируют на топологическом уровне, а не на геометрическом уровне.
Кроме того, еще одной серьезной проблемой при планировании пространства является огромное пространство для решения и более широкое пространство для сопутствующих действий. Пространство действий сообщества среднего размера может легко превысить 4000 в сотой степени (4000 возможных действий на шаг, всего 100 шагов для планирования пространства сообщества), что делает исчерпывающий поиск невозможным.
Чтобы сократить пространство действий, исследователи обучили агента ИИ, который состоит из сети создания ценности и двух сетей политики, находить хорошие стратегии планирования посредством эффективного исследования и использования в огромном пространстве действий. В частности, сеть ценностей прогнозирует качество пространственного планирования на основе реализации концепции «города за 15 минут», а две другие сети политики используются агентом ИИ для выбора землепользования и расположения дорог. Путем выборки действий из сети политик и оценки вознаграждений с использованием сети создания ценности пространство действий значительно сокращается.
Чтобы получить эффективное представление городских географических элементов, исследователи дополнительно разработали кодировщик состояний на основе графовой нейронной сети (GNN), который использует передачу сообщений и агрегацию соседей на графе непрерывности города для захвата участков земли и дорог. и пространственные отношения между точками пересечения. Этот кодер состояния GNN используется совместно сетью создания ценности и сетью политики, тем самым облегчая прогнозирование вознаграждения и выбор местоположения. В конечном счете, агенты ИИ способны генерировать более эффективные решения для планирования, чем эксперты-люди.
Обширные экспериментальные результаты показывают, что при тех же начальных условиях и ограничениях планирования этот метод значительно превосходит по производительности современные алгоритмы и людей-экспертов и может улучшить объективные показатели эффективности использования пространства более чем на 48,6%. Особенно при использовании существующих реальных сообществ в качестве начальных условий модель может генерировать планы преобразования землепользования, которые значительно повышают доступность жителей к различным объектам более чем на 18,5%.
Принимая во внимание зрелость и сложность методов городского планирования, на основе представленной модели DRL исследователи предлагают рабочий процесс для сотрудничества ИИ с дизайнерами-людьми, в котором дизайнер-человек сосредотачивается на концептуальном прототипировании и использует модель для выполнения тяжелой работы и трудоемкие усилия по планированию.
Результаты показывают, что дизайнеры-люди могут извлечь выгоду из рабочего процесса совместной работы ИИ и человека, который превосходит полностью человеческий труд как по показателям объективного планирования, так и по субъективному слепому тестированию с участием 100 профессиональных дизайнеров-людей. Завершите рабочий процесс и улучшите эффективность использования времени в 3000 раз.
Кроме того, модель может изучать общие навыки планирования на основе простых сценариев и применять их к крупномасштабным сложным задачам планирования при разработке различных стилей, таких как зеленые сообщества и сервисные сообщества.
Машинное обучение способствует устойчивому развитию городов и участию многих заинтересованных сторон
Однако в этом эксперименте, хотя количество сгенерированных пространственных планов превысило 1 миллион, оно все равно было недостаточно большим по сравнению с наборами данных, используемыми в аналогичных задачах DRL (таких как Go и проектирование микросхем). Кроме того, распространение этого метода исследования на уровень города требует сбора большого количества обучающих выборок из распределенных кластеров и использования нескольких графических процессоров на нескольких серверах для обучения более крупных нейронных сетей.
Стоит отметить, что три подпространства декомпозиции (что планировать, где планировать и как планировать) могут быть оптимизированы агентом совместно, но для этого требуется больше обучающих выборок. Кроме того, раздел «Что планировать» можно расширить, включив в него другие важные элементы, связанные с устойчивостью города, такие как маршруты и станции общественного транспорта. Кроме того, эта система также игнорирует некоторые субъективные показатели оценки пространственного планирования, такие как эстетические и художественные оценки.
Существующие концепции в основном основаны на статических показателях, и хотя можно создавать планы кварталов с высокой пространственной эффективностью, планирование всего города является более сложной задачей, требующей рассмотрения различных целей, включая экономический рост и здоровье жителей. Практически невозможно оценить влияние планирования на уровне города с помощью некоторых статических показателей.
В большинстве экспериментов исследователи игнорировали сотни правил городского планирования и не учитывали ключевые вопросы реального городского планирования, такие как владение землей, общественный доступ, городская сегрегация и реконструкция. Однако, при необходимых и разумных корректировках, этот подход может хорошо решить эти нормативные и политические вопросы практического планирования.
Хотя исследование все еще имеет недостатки, мы не можем отрицать его значимость.
Машинное обучение в качестве вспомогательного инструмента может повысить производительность труда специалистов по планированию, а также потенциально создать более устойчивую городскую жизнь. Кроме того, это не только поможет планировщикам ускорить процесс планировки пространства, но и принесет более широкие преимущества другим участникам. Введя в модель возможности настройки, можно создать общественную платформу, облегчающую участие жителей и застройщиков в процессе планирования.
Как упоминалось в исследовательской работе, городское планирование – это не простая игра по выбору землепользования и расположения дорог, а сложное взаимодействие между множеством заинтересованных сторон. Структура, предложенная в этом исследовании, демонстрирует возможность более широкого участия всех участников и является небольшим шагом на пути к более прозрачному и инклюзивному городу.
Справочные ссылки:
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Модель искусственного интеллекта Цинхуа, опубликованная в поджурнале Nature: Игра с городским пространственным планированием в 3000 раз быстрее, чем у людей
Источник: Академические заголовки.
Автор: Ян Йими
Редактор: Академик
Сегодня в области городского пространственного планирования у дизайнеров-людей также есть партнеры по искусственному интеллекту.
Исследовательская группа из Университета Цинхуа предложила модель алгоритма глубокого обучения с подкреплением. Эта модель, основанная на концепции города за 15 минут, обеспечивает комплексное планирование городского пространства. В сочетании с участием человека пространственное планирование территорий и дорог с помощью машинного обучения превзошло другие алгоритмы и профессиональных проектировщиков примерно на 50 % по всем рассматриваемым показателям и в 3000 раз быстрее.
Соответствующая исследовательская статья называется «Пространственное планирование городских сообществ посредством глубокого обучения с подкреплением» и только что была опубликована в последнем выпуске поджурнала Nature Nature Computational Science.
Городское планирование остро нуждается в переменах, а концепция «города за 15 минут» пользуется широкой популярностью
Города стали центрами инноваций, творчества и возможностей, привлекая людей из всех слоев общества, ищущих развлечения, образование, здравоохранение и возможности трудоустройства. **Эффективное пространственное планирование имеет важное значение для экономической деятельности и устойчивого развития городов. **
Современное городское планирование часто ориентировано на транспортные средства, отдавая предпочтение централизованным функциям и зависимым от автомобилей видам транспорта, что не только создает пробки на дорогах, но и способствует глобальному потеплению. В то же время пандемия коронавируса также выявила уязвимость городов во время карантина. Поэтому городское планирование необходимо срочно трансформировать, а переход от ориентации на транспортные средства к ориентации на людей необходимо ускорить.
Стоит отметить, что концепция «городов за 15 минут» становится все более популярной при планировании новых городских поселений и реконструкции существующих поселений, где жители могут пешком или на велосипеде добраться до основных услуг за 15 минут. Это отражает ожидания людей в отношении высокой пространственной эффективности планировки. в городских сообществах.
Агенты ИИ могут генерировать более эффективные решения для планирования, чем люди-эксперты
Чтобы решить вышеупомянутые проблемы, исследовательская группа из Университета Цинхуа предложила модель городского планирования, основанную на глубоком обучении с подкреплением, которая способна генерировать землепользование и схемы дорог для городских сообществ.
Однако по сравнению с задачами с регулярными условиями сетки, такими как проектирование чипов и Го, городские сообщества представляют собой различные формы геометрии, которые более разнообразны и нерегулярны.
Чтобы решить эту проблему, исследовательская группа предложила граф непрерывности города, описывающий топологию городской геометрии, с городскими географическими элементами в качестве узлов и пространственной непрерывностью в качестве ребер. Построение графиков позволяет отразить фундаментальные пространственные отношения любой формы сообщества. Поэтому они формулируют планирование пространства как задачу последовательного решения на графе и планируют на топологическом уровне, а не на геометрическом уровне.
Чтобы сократить пространство действий, исследователи обучили агента ИИ, который состоит из сети создания ценности и двух сетей политики, находить хорошие стратегии планирования посредством эффективного исследования и использования в огромном пространстве действий. В частности, сеть ценностей прогнозирует качество пространственного планирования на основе реализации концепции «города за 15 минут», а две другие сети политики используются агентом ИИ для выбора землепользования и расположения дорог. Путем выборки действий из сети политик и оценки вознаграждений с использованием сети создания ценности пространство действий значительно сокращается.
Чтобы получить эффективное представление городских географических элементов, исследователи дополнительно разработали кодировщик состояний на основе графовой нейронной сети (GNN), который использует передачу сообщений и агрегацию соседей на графе непрерывности города для захвата участков земли и дорог. и пространственные отношения между точками пересечения. Этот кодер состояния GNN используется совместно сетью создания ценности и сетью политики, тем самым облегчая прогнозирование вознаграждения и выбор местоположения. В конечном счете, агенты ИИ способны генерировать более эффективные решения для планирования, чем эксперты-люди.
Принимая во внимание зрелость и сложность методов городского планирования, на основе представленной модели DRL исследователи предлагают рабочий процесс для сотрудничества ИИ с дизайнерами-людьми, в котором дизайнер-человек сосредотачивается на концептуальном прототипировании и использует модель для выполнения тяжелой работы и трудоемкие усилия по планированию.
Результаты показывают, что дизайнеры-люди могут извлечь выгоду из рабочего процесса совместной работы ИИ и человека, который превосходит полностью человеческий труд как по показателям объективного планирования, так и по субъективному слепому тестированию с участием 100 профессиональных дизайнеров-людей. Завершите рабочий процесс и улучшите эффективность использования времени в 3000 раз.
Кроме того, модель может изучать общие навыки планирования на основе простых сценариев и применять их к крупномасштабным сложным задачам планирования при разработке различных стилей, таких как зеленые сообщества и сервисные сообщества.
Машинное обучение способствует устойчивому развитию городов и участию многих заинтересованных сторон
Однако в этом эксперименте, хотя количество сгенерированных пространственных планов превысило 1 миллион, оно все равно было недостаточно большим по сравнению с наборами данных, используемыми в аналогичных задачах DRL (таких как Go и проектирование микросхем). Кроме того, распространение этого метода исследования на уровень города требует сбора большого количества обучающих выборок из распределенных кластеров и использования нескольких графических процессоров на нескольких серверах для обучения более крупных нейронных сетей.
Стоит отметить, что три подпространства декомпозиции (что планировать, где планировать и как планировать) могут быть оптимизированы агентом совместно, но для этого требуется больше обучающих выборок. Кроме того, раздел «Что планировать» можно расширить, включив в него другие важные элементы, связанные с устойчивостью города, такие как маршруты и станции общественного транспорта. Кроме того, эта система также игнорирует некоторые субъективные показатели оценки пространственного планирования, такие как эстетические и художественные оценки.
В большинстве экспериментов исследователи игнорировали сотни правил городского планирования и не учитывали ключевые вопросы реального городского планирования, такие как владение землей, общественный доступ, городская сегрегация и реконструкция. Однако, при необходимых и разумных корректировках, этот подход может хорошо решить эти нормативные и политические вопросы практического планирования.
Машинное обучение в качестве вспомогательного инструмента может повысить производительность труда специалистов по планированию, а также потенциально создать более устойчивую городскую жизнь. Кроме того, это не только поможет планировщикам ускорить процесс планировки пространства, но и принесет более широкие преимущества другим участникам. Введя в модель возможности настройки, можно создать общественную платформу, облегчающую участие жителей и застройщиков в процессе планирования.
Как упоминалось в исследовательской работе, городское планирование – это не простая игра по выбору землепользования и расположения дорог, а сложное взаимодействие между множеством заинтересованных сторон. Структура, предложенная в этом исследовании, демонстрирует возможность более широкого участия всех участников и является небольшим шагом на пути к более прозрачному и инклюзивному городу.
Справочные ссылки: