Organizar automáticamente edificios en planificación urbana con DQN

Por qué importan diseños de edificios más inteligentes

A medida que las ciudades crecen en altura y densidad, resulta más difícil garantizar que las ventanas de los apartamentos sigan recibiendo sol y que las torres estén separadas con seguridad. Los diseñadores urbanos suelen equilibrar estas exigencias a mano, ejecutando simulaciones informáticas lentas y ajustando los planos una y otra vez. Este estudio presenta un sistema de inteligencia artificial (IA) que puede disponer automáticamente edificios de gran altura sobre un terreno para que las viviendas reciban suficiente luz solar invernal y las torres mantengan una distancia de seguridad entre sí, lo que podría ahorrar a los planificadores muchísimo tiempo y mejorar la habitabilidad de las ciudades densas.

Crecimiento urbano y la presión de la luz solar

La rápida urbanización, especialmente en megaciudades como Pekín y Shanghái, empuja los edificios a juntarse y alzarse más alto. Sin embargo, las normativas nacionales en China exigen que las viviendas reciban una cantidad mínima de sol en los días de pleno invierno y que los edificios altos estén separados por distancias de seguridad específicas. Hoy en día, los arquitectos usan software profesional de diseño para cumplir estas normas, trazando las huellas de los edificios, ejecutando simulaciones detalladas de insolación y moviendo las torres hasta que se satisfacen tanto los límites de luz como los de separación. Este proceso depende en gran medida de la experiencia de los expertos y de múltiples rondas de prueba y error, lo que lo hace lento y difícil de escalar cuando hay que evaluar muchos solares y alternativas de diseño.

Enseñar a una red neuronal a predecir la luz solar

Un obstáculo importante para automatizar este trabajo es que la simulación precisa de la insolación es computacionalmente costosa. Para solucionarlo, los investigadores primero entrenaron un tipo especial de red neuronal, llamada autoencoder convolucional, para que actuara como un “suplente” rápido de la herramienta de simulación. Generaron más de mil configuraciones de muestra en Autodesk Revit para las condiciones de pleno invierno de Pekín y registraron, para cada punto del terreno, cuántos minutos de sol recibía a lo largo del día. Estos mapas de insolación se convirtieron en imágenes en escala de grises y se emparejaron con imágenes simples que representaban alturas y huellas de los edificios. La IA aprendió a traducir una imagen de disposición de edificios en su correspondiente imagen de insolación, logrando errores medios de menos de tres minutos de sol por punto mientras funcionaba alrededor de cien veces más rápido que la simulación original.

Permitir que un agente de IA coloque edificios paso a paso

Con un predictor de insolación rápido, el equipo abordó el problema más difícil: decidir automáticamente dónde colocar cada edificio. Lo plantearon como un juego paso a paso para un agente de aprendizaje. Partiendo de un solar vacío, el agente coloca un edificio a la vez y puede desplazarlo arriba, abajo, izquierda o derecha sobre una cuadrícula. Tras cada movimiento, la red neuronal rápida estima la insolación y el sistema calcula qué tan cerca queda el edificio de sus vecinos y de los límites del solar. El agente recibe una recompensa cuando encuentra una posición que satisface tanto el requisito mínimo de luz en las ventanas orientadas al sur como la distancia mínima entre edificios, y es penalizado por solapamientos o por espacios demasiado reducidos. A lo largo de muchos intentos simulados, una Red Q Profunda (Deep Q-Network), un método común de aprendizaje por refuerzo, aprende una estrategia que conduce de forma consistente a diseños válidos y eficientes.

Cómo se desempeña el sistema frente a otros métodos

Los investigadores probaron su enfoque en docenas de solares distintos que contenían entre cinco y doce edificios y lo compararon con tres líneas base: colocación aleatoria, una estrategia codiciosa simple y un algoritmo genético. La colocación aleatoria rara vez producía diseños viables, e incluso la heurística a medida y la búsqueda evolutiva quedaron por detrás del agente de aprendizaje. El sistema de IA logró una tasa de éxito del cien por ciento en producir configuraciones que cumplían las normas de luz y distancia, necesitó menos movimientos por edificio y organizó las torres de forma más compacta sin sacrificar el acceso a la luz. En promedio, sus disposiciones ofrecieron duraciones de sol más largas en las ventanas de la planta baja que las alternativas, y una disposición completa para un solar podía generarse en apenas unos segundos, lo que hace factible la exploración a gran escala de opciones para tareas de planificación cotidianas.

Qué significa esto para el diseño urbano futuro

En esencia, el estudio demuestra que combinar un modelo aprendido rápido de la insolación con un tomador de decisiones basado en aprendizaje puede distribuir edificios de forma fiable cumpliendo estrictas restricciones regulatorias y utilizando el suelo de manera eficiente. Aunque la herramienta actual se centra solo en el sol invernal y las distancias de seguridad —y está ajustada al clima de Pekín—, ya funciona como un prototipo potente: los planificadores pueden introducir un conjunto de edificios candidatos y obtener múltiples sugerencias de disposición conformes casi al instante. Las versiones futuras podrían extender la misma idea para incluir viento, vistas, ruido o normativas locales de otras ciudades, transformando la disposición de edificios de un oficio manual lento en una colaboración interactiva entre diseñadores humanos y asistentes de IA.

Cita: 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

Palabras clave: IA para planificación urbana, disposición de edificios, optimización de la luz solar, aprendizaje por refuerzo, modelos generativos