Gebäude automatisch anordnen in der Stadtplanung mit DQN

Warum intelligentere Gebäudeanordnungen wichtig sind

Wenn Städte höher und dichter wachsen, wird es schwieriger sicherzustellen, dass Wohnungsfenster weiterhin Sonne sehen und dass Türme in sicherer Entfernung zueinander stehen. Stadtplaner jonglieren diese Anforderungen meist manuell, indem sie langsame Computersimulationen durchführen und Entwürfe immer wieder anpassen. Diese Studie stellt ein System der künstlichen Intelligenz (KI) vor, das Hochhäuser auf einem Grundstück automatisch so anordnen kann, dass Wohnungen im Winter ausreichend Sonnenlicht erhalten und Türme einen sicheren Abstand einhalten. Das kann Planern enorm viel Zeit sparen und gleichzeitig die Lebensqualität in dicht bebauten Städten verbessern.

Stadtwachstum und die Verknappung des Sonnenlichts

Die schnelle Urbanisierung, besonders in Megastädten wie Peking und Shanghai, drückt Gebäude näher zusammen und in die Höhe. Gleichzeitig verlangen nationale Vorschriften in China, dass Wohnungen an Tagen mitten im Winter eine Mindestmenge an Sonneneinstrahlung erhalten und dass Hochhäuser bestimmte Sicherheitsabstände zueinander einhalten. Heute nutzen Architekten professionelle Entwurfssoftware, um diese Regeln zu erfüllen: Sie zeichnen Gebäudegrundrisse, führen detaillierte Sonnensimulationsläufe durch und verschieben Türme so lange, bis sowohl Sonnen- als auch Abstandsanforderungen erfüllt sind. Dieser Prozess hängt stark von Erfahrung und vielen Versuchen ab, was ihn langsam macht und schwer skalierbar, wenn viele Grundstücke und Entwurfsvarianten getestet werden müssen.

Ein neuronales Netz lernen, Sonneneinstrahlung vorherzusagen

Ein großes Hindernis bei der Automatisierung ist, dass genaue Sonnensimulationen sehr rechenintensiv sind. Um das zu umgehen, trainierten die Forscher zunächst eine spezielle Art von neuronalen Netz, einen Faltungs-Autoencoder, der als schneller „Ersatz“ für das Simulationswerkzeug dient. Sie erzeugten mehr als tausend Beispielanordnungen in Autodesk Revit für Pekings Winterbedingungen und zeichneten für jeden Punkt des Grundstücks auf, wie viele Minuten Sonne er über den Tag erhielt. Diese Sonnendauerkarten wurden in Graustufenbilder umgewandelt und mit einfachen Bildern kombiniert, die Gebäudehöhen und -grundrisse darstellten. Die KI lernte, aus einem Bild der Gebäudeanordnung das entsprechende Sonnenbild zu erzeugen und erreichte durchschnittliche Fehler von weniger als drei Minuten Sonnenschein pro Punkt, während sie etwa hundertmal schneller lief als die ursprüngliche Simulation.

Ein KI-Agent platziert Gebäude Schritt für Schritt

Mit einem schnellen Sonnenvorhersager ging das Team das schwierigere Problem an: automatisch zu entscheiden, wo jedes Gebäude platziert wird. Sie formulierten dies als schrittweises Spiel für einen lernenden Agenten. Ausgehend von einem leeren Grundstück setzt der Agent ein Gebäude nach dem anderen und kann es auf einem Raster nach oben, unten, links oder rechts verschieben. Nach jedem Zug schätzt das schnelle neuronale Netz die Sonnensituation, und das System berechnet, wie nahe das Gebäude an seinen Nachbarn und an den Grundstücksgrenzen steht. Der Agent erhält eine Belohnung, wenn er eine Position findet, die sowohl die Mindestsonnenanforderung für die nach Süden gerichteten Fenster als auch die Mindestabstandsanforderung zwischen Gebäuden erfüllt; Überlappungen oder zu dichte Platzierungen werden bestraft. In vielen simulierten Versuchen lernt ein Deep Q-Network — eine verbreitete Methode des verstärkenden Lernens — eine Strategie, die zuverlässig zu gültigen, effizienten Anordnungen führt.

Wie das System im Vergleich zu anderen Methoden abschneidet

Die Forscher testeten ihren Ansatz auf Dutzenden unterschiedlicher Grundstücke mit jeweils fünf bis zwölf Gebäuden und verglichen ihn mit drei Basislinien: zufälliger Platzierung, einer einfachen gierigen Strategie und einem genetischen Algorithmus. Zufällige Platzierungen lieferten selten brauchbare Entwürfe, und selbst die maßgeschneiderte Heuristik sowie die evolutionäre Suche blieben hinter dem lernenden Agenten zurück. Das KI-System erreichte eine Erfolgsrate von 100 Prozent bei der Erzeugung von Anordnungen, die sowohl Sonnen- als auch Abstandsvorschriften erfüllten, benötigte weniger Züge pro Gebäude und ordnete Türme kompakter an, ohne den Zugang zu Licht zu opfern. Im Durchschnitt lieferten seine Anordnungen längere Sonnenscheindauern an Erdgeschossfenstern als die Alternativen, und eine vollständige Anordnung für ein Grundstück konnte in nur wenigen Sekunden erzeugt werden, sodass eine groß angelegte Exploration von Optionen für alltägliche Planungsaufgaben möglich wird.

Was das für die zukünftige Stadtplanung bedeutet

Kerneinsicht der Studie ist, dass die Kombination eines schnell gelernten Sonnenmodells mit einem lernbasierten Entscheidungsmechanismus zuverlässig Gebäudeanordnungen liefern kann, die strenge regulatorische Vorgaben erfüllen und gleichzeitig Land effizient nutzen. Auch wenn das aktuelle Werkzeug sich nur auf Wintersonne und Sicherheitsabstände konzentriert — und auf Pekings Klima abgestimmt ist — dient es bereits als leistungsfähiger Prototyp: Planer können eine Menge potenzieller Gebäude eingeben und fast augenblicklich mehrere regelkonforme Anordnungsvorschläge erhalten. Zukünftige Versionen könnten dieselbe Idee auf Wind, Sichtachsen, Lärm oder lokale Vorschriften in anderen Städten ausdehnen und die Gebäudeanordnung von einer langsamen manuellen Tätigkeit in eine interaktive Zusammenarbeit zwischen menschlichen Entwerfern und KI-Assistenten verwandeln.

Zitation: 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

Schlüsselwörter: KI in der Stadtplanung, Gebäudegestaltung, Sonnenlichtoptimierung, Verstärkendes Lernen, generative Modelle