Сьогодні у сфері міського просторового планування люди-дизайнери також мають партнерів зі штучного інтелекту.
Дослідницька група з Університету Цінхуа запропонувала модель алгоритму глибокого навчання з підкріпленням. На основі концепції 15-хвилинного міста ця модель дозволяє комплексно планувати міський простір. У поєднанні з людським внеском просторове планування землі та доріг за допомогою машинного навчання перевершило інші алгоритми та професійних дизайнерів приблизно на 50% за всіма розглянутими показниками та до 3000 разів швидше.
Відповідна дослідницька стаття має назву «Просторове планування міських спільнот за допомогою глибокого навчання» і щойно була опублікована в останньому номері піджурналу NatureNature Computational Science.
У відповідній статті News & Views Паоло Санті, науковий співробітник MIT Senseable City Lab, написав: «Юй Чжен та ін. вирішують ключові концептуальні та обчислювальні проблеми. Водночас вони також успішно продемонстрували можливість інтеграції ШІ. і людський робочий процес у сфері планування просторового планування, забезпечуючи безліч напрямків досліджень на майбутнє**.
Містопланування потребує термінових змін, і концепція «міста за 15 хвилин» широко популярна
Міста стали центрами інновацій, творчості та можливостей, приваблюючи людей з усіх верств суспільства, які шукають розваг, освіти, охорони здоров’я та можливостей працевлаштування. **Ефективне просторове планування має важливе значення для економічної діяльності та сталого розвитку міст. **
Сучасне міське планування часто орієнтоване на транспортні засоби, віддаючи перевагу централізованим функціям і залежним від автомобілів видам транспорту, що не тільки створює затори на дорогах, але й сприяє глобальному потеплінню. У той же час пандемія коронавірусу також показала вразливість міст під час карантину. Тому необхідно терміново трансформувати міське планування та прискорити перехід від орієнтації на транспортні засоби до орієнтації на людей.
Варто зазначити, що концепція «15-хвилинних міст» стає все більш популярною при плануванні нових міських спільнот і реконструкції існуючих громад, де мешканці можуть дійти пішки або на велосипеді до основних послуг протягом 15 хвилин. Це відображає очікування людей щодо високоефективного планування простору. в міських громадах.
Однак люди вклали десятиліття зусиль у розробку обчислювальних моделей і допоміжних інструментів для автоматизації міського планування. Незважаючи на те, що міські планувальники сьогодні на порядки продуктивніші за допомогою інструментів ГІС, ніж десятиліття тому,** виснажливі завдання з планування все ще потрібно виконувати вручну**.
Агенти штучного інтелекту можуть створювати ефективніші рішення для планування, ніж експерти-люди
Для вирішення вищезазначених проблем дослідницька група з Університету Цінхуа запропонувала модель міського планування, засновану на глибокому підкріпленні навчання, яка здатна генерувати схеми землекористування та доріг для міських громад.
Однак у порівнянні із завданнями зі звичайними умовами сітки, такими як проектування мікросхем і Go, міські громади представляють різні форми геометрії, які є більш різноманітними та нерегулярними.
Для вирішення цієї проблеми дослідницька група запропонувала граф міської безперервності для опису топології міської геометрії з міськими географічними елементами як вузлами та просторовою безперервністю як ребрами. Побудова графіків дозволяє охопити фундаментальні просторові відносини будь-якої форми спільноти. Тому вони формулюють планування простору як послідовну задачу вирішення на графі та планують на топологічному рівні, а не на геометричному рівні.
Крім того, ще одним серйозним викликом у плануванні простору є величезний простір для рішень і більший супутній простір для дій. Простір дій спільноти середнього розміру може легко перевищити 4000 у ступені ста (4000 можливих дій на крок, загалом 100 кроків для планування простору спільноти), що робить вичерпний пошук неможливим.
Щоб зменшити простір дій, дослідники навчили агента штучного інтелекту, який складається з мережі цінностей і двох мереж політики, щоб знаходити хороші стратегії планування шляхом ефективного дослідження та використання величезного простору дій. Зокрема, мережа цінностей прогнозує якість просторового планування на основі реалізації концепції «15-хвилинного міста», а інші дві мережі політики використовуються агентом AI для вибору землекористувань і розташування доріг. Завдяки вибірці дій із мережі політики та оцінці винагород за допомогою мережі цінностей простір дій значно зменшується.
Щоб отримати ефективне представлення міських географічних елементів, дослідники розробили кодувальник стану на основі графової нейронної мережі (GNN), який використовує передачу повідомлень і агрегацію сусідів на графі безперервності міста для захоплення земельних ділянок, сегментів доріг і просторове співвідношення між точками перетину. Цей кодер стану GNN спільно використовується між мережею цінностей і мережею політики, що полегшує прогнозування винагороди та вибір місця. Зрештою, агенти штучного інтелекту здатні створювати більш ефективні рішення для планування, ніж експерти-люди.
Великі експериментальні результати показують, що за тих самих початкових умов і обмежень планування цей метод значно перевершує найсучасніші алгоритми та експертів-людей і може покращити об’єктивні показники ефективності простору більш ніж на 48,6%. Особливо використовуючи існуючі реальні громади як вихідні умови, модель може генерувати плани трансформації землекористування, які значно підвищують доступність мешканців до різних об’єктів більш ніж на 18,5%.
Беручи до уваги зрілість і складність методів міського планування, на основі представленої моделі DRL дослідники пропонують робочий процес для співпраці штучного інтелекту з людьми-дизайнерами, у яких люди-дизайнери зосереджуються на прототипі концепції та використовують модель для завершення важкого підйому та трудомістке планування.
Результати демонструють, що люди-дизайнери можуть отримати вигоду від робочого процесу спільної роботи штучного інтелекту та людини, який перевершує повністю людську працю як за показниками об’єктивного планування, так і за суб’єктивним сліпим тестуванням за участю 100 професійних дизайнерів. Завершіть робочий процес і підвищте ефективність часу в 3000 разів.
Крім того, модель може вивчити загальні навички планування з простих сценаріїв і застосувати їх до великомасштабних складних завдань планування в різних стилях, таких як зелені спільноти та сервісні спільноти.
Машинне навчання сприяє сталому розвитку міст і участі багатьох зацікавлених сторін
Однак у цьому експерименті, хоча кількість згенерованих просторових планів перевищила 1 мільйон, вона все ще була недостатньою порівняно з наборами даних, які використовуються в подібних завданнях DRL (таких як Go та проектування мікросхем). Крім того, поширення цього методу дослідження на рівень міста вимагає збору великої кількості навчальних зразків із розподілених кластерів і використання кількох графічних процесорів на кількох серверах для навчання більших нейронних мереж.
Варто зазначити, що три підпростори декомпозиції (що планувати, де планувати і як планувати) можуть бути спільно оптимізовані агентом, але для цього потрібно більше навчальних зразків. Крім того, розділ «Що планувати» можна розширити, щоб включити інші важливі елементи, пов’язані з міською стійкістю, наприклад маршрути та станції громадського транспорту. Крім того, ця структура також ігнорує деякі суб’єктивні оціночні показники просторового планування, такі як естетичні та художні бали.
Поточні рамки значною мірою керуються статичними показниками, і хоча можна створювати плани мікрорайону з високою просторовою ефективністю, планування цілого міста є більш складним завданням, яке вимагає врахування різноманітних цілей, включаючи економічне зростання та здоров’я мешканців. Оцінити вплив планування міста за якимись статичними показниками практично неможливо.
У більшості експериментів дослідники ігнорували сотні правил містобудування та не враховували ключові питання реального міського планування, такі як право власності на землю, доступ громадськості, сегрегація міст та реконструкція. Проте, з необхідними та розумними коригуваннями, цей підхід може добре вирішити ці нормативні та політичні питання практичного планування.
Хоча дослідження все ще має недоліки, ми не можемо заперечувати його значення.
Машинне навчання як допоміжний інструмент може підвищити продуктивність планувальників, а також потенційно створити більш стійке міське життя. Крім того, окрім допомоги планувальникам прискорити процес планування простору, це також може принести більше переваг іншим учасникам. Додавши в модель параметри налаштування, можна створити публічну платформу для полегшення участі мешканців і забудовників у процесі планування.
Як зазначається в дослідницькій статті, міське планування — це не проста гра з вибором землекористування та розташування дороги, а складна взаємодія між кількома зацікавленими сторонами. Структура, запропонована в цьому дослідженні, демонструє можливість більшої участі всіх учасників і є невеликим кроком до більш прозорого та інклюзивного міста.
Довідкові посилання:
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Модель Tsinghua AI, опублікована в піджурналі Nature: граючи з міським просторовим плануванням, у 3000 разів швидше, ніж люди
Джерело: Academic Headlines
Автор: Ян Їмі
Редкол.: академік
Сьогодні у сфері міського просторового планування люди-дизайнери також мають партнерів зі штучного інтелекту.
Дослідницька група з Університету Цінхуа запропонувала модель алгоритму глибокого навчання з підкріпленням. На основі концепції 15-хвилинного міста ця модель дозволяє комплексно планувати міський простір. У поєднанні з людським внеском просторове планування землі та доріг за допомогою машинного навчання перевершило інші алгоритми та професійних дизайнерів приблизно на 50% за всіма розглянутими показниками та до 3000 разів швидше.
Відповідна дослідницька стаття має назву «Просторове планування міських спільнот за допомогою глибокого навчання» і щойно була опублікована в останньому номері піджурналу Nature Nature Computational Science.
Містопланування потребує термінових змін, і концепція «міста за 15 хвилин» широко популярна
Міста стали центрами інновацій, творчості та можливостей, приваблюючи людей з усіх верств суспільства, які шукають розваг, освіти, охорони здоров’я та можливостей працевлаштування. **Ефективне просторове планування має важливе значення для економічної діяльності та сталого розвитку міст. **
Сучасне міське планування часто орієнтоване на транспортні засоби, віддаючи перевагу централізованим функціям і залежним від автомобілів видам транспорту, що не тільки створює затори на дорогах, але й сприяє глобальному потеплінню. У той же час пандемія коронавірусу також показала вразливість міст під час карантину. Тому необхідно терміново трансформувати міське планування та прискорити перехід від орієнтації на транспортні засоби до орієнтації на людей.
Варто зазначити, що концепція «15-хвилинних міст» стає все більш популярною при плануванні нових міських спільнот і реконструкції існуючих громад, де мешканці можуть дійти пішки або на велосипеді до основних послуг протягом 15 хвилин. Це відображає очікування людей щодо високоефективного планування простору. в міських громадах.
Агенти штучного інтелекту можуть створювати ефективніші рішення для планування, ніж експерти-люди
Для вирішення вищезазначених проблем дослідницька група з Університету Цінхуа запропонувала модель міського планування, засновану на глибокому підкріпленні навчання, яка здатна генерувати схеми землекористування та доріг для міських громад.
Однак у порівнянні із завданнями зі звичайними умовами сітки, такими як проектування мікросхем і Go, міські громади представляють різні форми геометрії, які є більш різноманітними та нерегулярними.
Для вирішення цієї проблеми дослідницька група запропонувала граф міської безперервності для опису топології міської геометрії з міськими географічними елементами як вузлами та просторовою безперервністю як ребрами. Побудова графіків дозволяє охопити фундаментальні просторові відносини будь-якої форми спільноти. Тому вони формулюють планування простору як послідовну задачу вирішення на графі та планують на топологічному рівні, а не на геометричному рівні.
Щоб зменшити простір дій, дослідники навчили агента штучного інтелекту, який складається з мережі цінностей і двох мереж політики, щоб знаходити хороші стратегії планування шляхом ефективного дослідження та використання величезного простору дій. Зокрема, мережа цінностей прогнозує якість просторового планування на основі реалізації концепції «15-хвилинного міста», а інші дві мережі політики використовуються агентом AI для вибору землекористувань і розташування доріг. Завдяки вибірці дій із мережі політики та оцінці винагород за допомогою мережі цінностей простір дій значно зменшується.
Щоб отримати ефективне представлення міських географічних елементів, дослідники розробили кодувальник стану на основі графової нейронної мережі (GNN), який використовує передачу повідомлень і агрегацію сусідів на графі безперервності міста для захоплення земельних ділянок, сегментів доріг і просторове співвідношення між точками перетину. Цей кодер стану GNN спільно використовується між мережею цінностей і мережею політики, що полегшує прогнозування винагороди та вибір місця. Зрештою, агенти штучного інтелекту здатні створювати більш ефективні рішення для планування, ніж експерти-люди.
Беручи до уваги зрілість і складність методів міського планування, на основі представленої моделі DRL дослідники пропонують робочий процес для співпраці штучного інтелекту з людьми-дизайнерами, у яких люди-дизайнери зосереджуються на прототипі концепції та використовують модель для завершення важкого підйому та трудомістке планування.
Результати демонструють, що люди-дизайнери можуть отримати вигоду від робочого процесу спільної роботи штучного інтелекту та людини, який перевершує повністю людську працю як за показниками об’єктивного планування, так і за суб’єктивним сліпим тестуванням за участю 100 професійних дизайнерів. Завершіть робочий процес і підвищте ефективність часу в 3000 разів.
Крім того, модель може вивчити загальні навички планування з простих сценаріїв і застосувати їх до великомасштабних складних завдань планування в різних стилях, таких як зелені спільноти та сервісні спільноти.
Машинне навчання сприяє сталому розвитку міст і участі багатьох зацікавлених сторін
Однак у цьому експерименті, хоча кількість згенерованих просторових планів перевищила 1 мільйон, вона все ще була недостатньою порівняно з наборами даних, які використовуються в подібних завданнях DRL (таких як Go та проектування мікросхем). Крім того, поширення цього методу дослідження на рівень міста вимагає збору великої кількості навчальних зразків із розподілених кластерів і використання кількох графічних процесорів на кількох серверах для навчання більших нейронних мереж.
Варто зазначити, що три підпростори декомпозиції (що планувати, де планувати і як планувати) можуть бути спільно оптимізовані агентом, але для цього потрібно більше навчальних зразків. Крім того, розділ «Що планувати» можна розширити, щоб включити інші важливі елементи, пов’язані з міською стійкістю, наприклад маршрути та станції громадського транспорту. Крім того, ця структура також ігнорує деякі суб’єктивні оціночні показники просторового планування, такі як естетичні та художні бали.
У більшості експериментів дослідники ігнорували сотні правил містобудування та не враховували ключові питання реального міського планування, такі як право власності на землю, доступ громадськості, сегрегація міст та реконструкція. Проте, з необхідними та розумними коригуваннями, цей підхід може добре вирішити ці нормативні та політичні питання практичного планування.
Машинне навчання як допоміжний інструмент може підвищити продуктивність планувальників, а також потенційно створити більш стійке міське життя. Крім того, окрім допомоги планувальникам прискорити процес планування простору, це також може принести більше переваг іншим учасникам. Додавши в модель параметри налаштування, можна створити публічну платформу для полегшення участі мешканців і забудовників у процесі планування.
Як зазначається в дослідницькій статті, міське планування — це не проста гра з вибором землекористування та розташування дороги, а складна взаємодія між кількома зацікавленими сторонами. Структура, запропонована в цьому дослідженні, демонструє можливість більшої участі всіх учасників і є невеликим кроком до більш прозорого та інклюзивного міста.
Довідкові посилання: