סידור אוטומטי של מבנים בתכנון עירוני באמצעות DQN

מדוע פריסות מבנים חכמות חשובות

כשהערים מתרוממות ומתעבות, קשה יותר להבטיח שחלונות הדירות יקבלו שמש ושהמגדלים יישמרו במרחק בטוח זה מזה. מתכנני ערים בדרך כלל מאזנים את הדרישות האלה בעבודה ידנית, מפעילים סמלול איטי ומעדכנים פריסות שוב ושוב. מחקר זה מציג מערכת בינה מלאכותית שיכולה לסדר באופן אוטומטי מבני גורדי שחקים על חלקת קרקע כך שדירות יקבלו מספיק שמש חורפית ושהמגדלים ישמרו מרחק בטיחותי זה מזה, ובכך לחסוך למתכננים זמן רב ולשפר את הראויה למגורים בערים צפופות.

צמיחת ערים ולחץ השמש

העיור המהיר, ובמיוחד במטרופולינים כמו בייג'ינג ושנגחאי, דוחף מבנים להתקרב זה לזה ולהתנשא לגובה. יחד עם זאת, תקנות לאומיות בסין מחייבות שדירות יקבלו כמות מינימלית של שמש ביום חורף ומגדלים יהיו מופרדים לפי מרחקי בטיחות מסוימים. כיום אדריכלים משתמשים בתוכנות מקצועיות כדי לעמוד בחוקים אלה: הם מציירים טביעות אצבע של מבנים, מריצים סימולציות שמש מפורטות ומזיזים מגדלים עד שהתנאים מתקיימים. התהליך הזה נשען רבות על ניסיון מומחים ועל ניסוי וטעייה חוזרים, מה שהופך אותו לאיטי וקשה להיקף כשצריך לבדוק חלקות רבות ואפשרויות עיצוב שונות.

לימוד רשת עצבית לחיזוי חשיפת שמש

מכשול מרכזי באוטומציה של המלאכה הוא שסימולציות שמש מדויקות דורשות משאבים חישוביים רבים. כדי להתגבר על כך, החוקרים קודם כל אימנו סוג מיוחד של רשת עצבית, שנקראת מצמצם-קונבולוציה (convolutional auto-encoder), לשמש כ"תחליף" מהיר לכלי הסימולציה. הם יצרו יותר מאלף פריסות דוגמה ב-Autodesk Revit עבור תנאי חורף בבייג'ינג ורשמו, עבור כל נקודה בחלקה, כמה דקות שמש היא קיבלה במשך היום. מפות השמש הומרו לתמונות בגווני אפור וזויגו עם תמונות פשוטות המייצגות גבהים וטביעות בניין. ה-AI למד לתרגם תמונת פריסת מבנים לתמונת שמש תואמת, והשיג שגיאות ממוצעות של פחות משלוש דקות שמש לנקודה בזמן ריצה מהירה בכ-100 פעם מהר יותר מהסימולציה המקורית.

הצבת מבנים שלב־אחר־שלב על ידי סוכן בינה מלאכותית

עם חזאי שמש מהיר ביד, הצוות התמודד עם הבעיה המורכבת יותר: קבלת החלטות אוטומטית היכן למקם כל מבנה. הם ניסחו זאת כמשחק שלב־אחר־שלב עבור סוכן לומד. מתוך חלקה ריקה, הסוכן מניח מבנה אחד בכל פעם ויכול להזיזו מעלה, מטה, ימינה או שמאלה על גריד. אחרי כל תנועה, הרשת המהירה מעריכה את חשיפת השמש ומערכת מחשבת עד כמה המבנה קרוב לשכנים ולגבולות החלקה. הסוכן מקבל תגמול כאשר הוא מוצא מיקום שעונה הן על דרישת מינימום השמש לחלונות הפונים דרומה והן על דרישת המרחק המינימלית בין מבנים, ומקבל עונש על חפיפות או צפיפות מופרזת. לאחר ניסיונות רבים בסימולציה, רשת Q עמוקה (Deep Q-Network) — שיטת למידת חיזוק נפוצה — לומדת אסטרטגיה שמובילה בעקביות לפריסות תקינות ויעילות.

ביצועי המערכת מול שיטות אחרות

החוקרים בחנו את הגישה שלהם על עשרות חלקות שונות המכילות בין חמישה לשנים־עשר מבנים והשוו אותה עם שלושה בסיסים: הצבה אקראית, אסטרטגיה חמדנית פשוטה ואלגוריתם גנטי. הצבה אקראית נדירה ייצרה עיצובים ישימים, ואף ההיוריסטיקה המותאמת וחיפוש אבולוציוני נותרו מאחורי הסוכן הלומד. מערכת ה-AI השיגה שיעור הצלחה של 100 אחוז ביצירת פריסות שעונות הן על כללי השמש והן על כללי המרחק, צרכה פחות מהלכים לכל מבנה וארגנה את המגדלים בצורה קומפקטית יותר מבלי לפגוע בגישה לאור. בממוצע, הפריסות שלה סיפקו משכי שמש ארוכים יותר לחלונות בקומת הקרקע בהשוואה לאלטרנטיבות, ופריסה מלאה לחלקה יכלה להיווצר בתוך כמה שניות בלבד, מה שהופך חקירה רחבת היקף של אפשרויות לזמינה למשימות תכנון יומיומיות.

מה משמעות הדבר לתכנון עירוני בעתיד

בעיקרון, המחקר מראה ששילוב של מודל מהיר ולמד של חשיפת שמש עם מקבל החלטות מבוסס-למידה יכול לפרוס באופן אמין מבנים העומדים במגבלות רגולטוריות מחמירות תוך שימוש יעיל בקרקע. למרות שהכלי הנוכחי מתמקד רק בשמש החורפית ובמרווחי בטיחות — ומכוון לאקלים של בייג'ינג — הוא כבר משמש כתבנית עוצמתית: מתכננים יכולים להזין סט של מבנים מועמדים ולקבל הצעות פריסה רבות התואמות לחוק כמעט מיד. גרסאות עתידיות יכולות להרחיב את הרעיון לכלול רוח, נוף, רעש או כללים מקומיים בערים אחרות, ולהפוך את סידור המבנים ממלאכה ידנית איטית לשותפות אינטראקטיבית בין מעצבים אנושיים לעוזרי AI.

ציטוט: 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

מילות מפתח: בינה מלאכותית בתכנון עירוני, פריסת מבנים, אופטימיזציה של חשיפת שמש, למידת חיזוק, מודלים גנרטיביים