الترتيب التلقائي للمباني في التخطيط الحضري باستخدام DQN

لماذا تكتسب ترتيبات المباني الأذكى أهمية

مع ارتفاع وكثافة المدن يصبح من الأصعب ضمان وصول ضوء الشمس إلى نوافذ الشقق وأن تبقى الأبراج متباعدة بمسافات آمنة. عادةً ما يتعامل المصممون الحضريون مع هذه المطالب يدوياً، ويجرون محاكيات حاسوبية بطيئة ويعدّلون التراكيب مراراً وتكراراً. تقدم هذه الدراسة نظام ذكاء اصطناعي يمكنه ترتيب مباني شاهقة الارتفاع تلقائياً على قطعة أرض بحيث تحصل المساكن على مقدار كافٍ من ضوء شمس الشتاء وتبقى الأبراج على مسافات آمنة من بعضها البعض، ما قد يوفر للمخططين وقتاً هائلاً ويحسّن قابلية العيش في المدن المزدحمة.

نمو المدن وضغط ضوء الشمس

تدفع التحضّر السريع، لا سيما في المدن الكبرى مثل بكين وشنغهاي، المباني إلى الاقتراب من بعضها والارتفاع عالياً في السماء. ومع ذلك تفرض القواعد الوطنية في الصين أن تحصل المساكن على حد أدنى من ضوء الشمس في أيام منتصف الشتاء وأن تُفصل المباني الشاهقة بمسافات أمان محددة. اليوم يستخدم المعماريون برامج تصميم احترافية للامتثال لهذه القواعد، يرسمون مخططات أساس المباني، ويجرون محاكاة تفصيلية للشمس، وينقلون الأبراج حتى تُحقق متطلبات التعرض للشمس والمسافات الآمنة. تعتمد هذه العملية بشكل كبير على خبرة المتخصصين وكثير من جولات التجربة والخطأ، مما يجعلها بطيئة ويصعب توسيعها عندما يجب اختبار العديد من قطع الأراضي والبدائل التصميمية.

تعليم شبكة عصبية للتنبؤ بالتعرض للشمس

عقبة رئيسية في أتمتة هذا العمل هي أن محاكاة ضوء الشمس الدقيقة مكلفة حسابياً. لتجاوز ذلك درّب الباحثون أولاً نوعاً خاصاً من الشبكات العصبية، يُسمى المشفّر الذاتي التلافيفي، ليعمل كبديل سريع لأداة المحاكاة. أنشأوا أكثر من ألف تصميم نموذجي في برنامج Autodesk Revit لظروف منتصف شتاء بكين وسجلوا، لكل نقطة على الأرض، عدد دقائق الشمس التي تتلقاها على مدار اليوم. حُولت خرائط التعرض للشمس هذه إلى صور بدرجات رمادية وزُوّجت بصور بسيطة تمثل ارتفاعات وآثار المباني. تعلم الذكاء الاصطناعي ترجمة صورة تخطيط المباني إلى صورة تعرض الشمس المقابلة لها، محقّقاً أخطاء متوسطة تقل عن ثلاث دقائق شمس لكل نقطة بينما يعمل أسرع بنحو مئة مرة من المحاكاة الأصلية.

تمكين وكيل ذكاء اصطناعي من وضع المباني خطوة بخطوة

بوجود متنبئ سريع للتعرض للشمس، واجه الفريق المشكلة الأصعب: تقرير المواقف التي تُوضع فيها كل بناية تلقائياً. صاغوا هذه المسألة كلعبة خطوة بخطوة لوكيل متعلم. بدءاً من قطعة فارغة، يضع الوكيل بناءً واحداً في كل مرة ويمكنه دفعه للأعلى أو الأسفل أو اليسار أو اليمين على شبكة. بعد كل حركة، تُقِدِّر الشبكة العصبية السريعة التعرض للشمس، ويحتسب النظام مدى قرب المبنى من جيرانه وحدود القطعة. يحصل الوكيل على مكافأة عندما يجد موضعاً يلبّي كلاً من متطلبات الحد الأدنى من ضوء الشمس على النوافذ المواجهة للجنوب ومتطلبات الحد الأدنى للمسافة بين المباني، ويُعاقب على التداخلات أو التراص الضيق. عبر محاولات مُحاكاة عديدة، يتعلم شبكة Q العميقة—وهي طريقة شائعة في التعلم المعزز—استراتيجية تؤدي بثبات إلى تصاميم صالحة وكفؤة.

أداء النظام مقابل طرق أخرى

اختبر الباحثون نهجهم على عشرات قطع الأراضي المختلفة التي تحتوي بين خمسة إلى اثني عشر مبنى وقارنوه بثلاثة مرجعيات: الوضع العشوائي، واستراتيجية جشعة بسيطة، وخوارزمية وراثية. نادراً ما أنتج الوضع العشوائي تصاميم قابلة للتطبيق، وحتى القاعدة التكيفية والبحث التطوري تأخّرا خلف الوكيل المتعلم. حقق نظام الذكاء الاصطناعي معدل نجاح 100 بالمئة في إنتاج تخطيطات تستوفي قواعد كل من التعرض للشمس والمسافات، واحتاج لتحركات أقل لكل مبنى، ونظم الأبراج بشكل أكثر تراكماً دون التضحية بوصول الضوء. في المتوسط قدّمت تخطيطاته مدد أشعة شمس أطول عند نوافذ الطابق الأرضي مقارنة بالبدائل، ويمكن توليد ترتيب كامل لقطعة أرض في غضون ثوانٍ قليلة فقط، مما يجعل استكشاف الخيارات على نطاق واسع أمراً واقعياً لمهام التخطيط اليومية.

ما الذي يعنيه هذا لتصميم المدن في المستقبل

جوهرياً، تُظهر الدراسة أن دمج نموذج سريع متعلم للتعرض للشمس مع مُتخذ قرار قائم على التعلم يمكنه بموثوقية ترتيب مبانٍ تفي بقيود تنظيمية صارمة مع استخدام الأرض بشكل فعّال. رغم أن الأداة الحالية تركز فقط على شمس الشتاء ومسافات الأمان—ومعدّلة لمناخ بكين—فإنها تعمل فعلاً كنموذج أولي قوي: يمكن للمخططين إدخال مجموعة من المباني المرشحة والحصول على اقتراحات تخطيط متوافقة متعددة على الفور تقريباً. يمكن للإصدارات المستقبلية توسيع الفكرة نفسها لتشمل الرياح، والإطلالات، والضوضاء، أو القواعد المحلية في مدن أخرى، محولة ترتيب المباني من حرفة يدوية بطيئة إلى شراكة تفاعلية بين المصممين البشر ومساعدي الذكاء الاصطناعي.

الاستشهاد: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

الكلمات المفتاحية: الذكاء الاصطناعي في التخطيط الحضري, تخطيط توزيع المباني, تحسين التعرض للشمس, التعلم المعزز, النماذج التوليدية