Disporre automaticamente gli edifici nella pianificazione urbana con DQN

Perché contano layout degli edifici più intelligenti

Con l’aumento in altezza e densità delle città, diventa più difficile garantire che le finestre degli appartamenti continuino a ricevere luce solare e che le torri siano distanziate in modo sicuro. I progettisti urbani di solito gestiscono queste esigenze manualmente, eseguendo lente simulazioni al computer e modificando i progetti ripetutamente. Questo studio presenta un sistema di intelligenza artificiale (IA) in grado di disporre automaticamente edifici alti su un lotto in modo che le abitazioni ricevano sufficiente luce invernale e le torri mantengano distanze di sicurezza, risparmiando potenzialmente enormi quantità di tempo ai pianificatori e migliorando la vivibilità nelle città affollate.

Crescita urbana e la stretta della luce solare

La rapida urbanizzazione, soprattutto in megalopoli come Pechino e Shanghai, spinge gli edifici a essere più vicini e più alti. Tuttavia le normative nazionali in Cina richiedono che le abitazioni ricevano una quantità minima di luce solare nei giorni di pieno inverno e che gli edifici alti siano separati da distanze di sicurezza specifiche. Oggi gli architetti utilizzano software professionali per rispettare queste regole, disegnando gli ingombri degli edifici, eseguendo simulazioni dettagliate dell’illuminazione e spostando le torri finché i limiti su sole e distanza non sono soddisfatti. Questo processo dipende fortemente dall’esperienza degli esperti e da numerosi tentativi ed errori, rendendolo lento e difficile da scalare quando devono essere testati molti lotti e molte alternative progettuali.

Insegnare a una rete neurale a prevedere la luce solare

Un ostacolo importante all’automazione di questo lavoro è che le simulazioni accurate della luce solare sono computazionalmente costose. Per superarlo, i ricercatori hanno prima addestrato un particolare tipo di rete neurale, chiamata autoencoder convoluzionale, per fungere da “sostituto” rapido dello strumento di simulazione. Hanno generato oltre mille layout di esempio in Autodesk Revit per le condizioni invernali di Pechino e registrato, per ogni punto del terreno, quanti minuti di sole riceveva durante la giornata. Queste mappe solari sono state convertite in immagini in scala di grigi e accoppiate con immagini semplici che rappresentavano altezze e ingombri degli edifici. L’IA ha imparato a tradurre un’immagine del layout degli edifici nella corrispondente immagine solare, raggiungendo errori medi inferiori a tre minuti di sole per punto e funzionando circa cento volte più velocemente della simulazione originale.

Permettere a un agente IA di posizionare gli edifici passo dopo passo

Con un predittore rapido dell’illuminazione a disposizione, il team ha affrontato il problema più complesso: decidere automaticamente dove collocare ciascun edificio. Hanno inquadrato questo compito come un gioco passo dopo passo per un agente che apprende. Partendo da un lotto vuoto, l’agente posiziona un edificio alla volta e può spostarlo su, giù, a sinistra o a destra su una griglia. Dopo ogni mossa, la rete neurale rapida stima l’illuminazione e il sistema calcola quanto l’edificio sia vicino ai vicini e ai confini del lotto. L’agente riceve una ricompensa quando trova una posizione che soddisfa sia il requisito minimo di luce solare sulle finestre esposte a sud sia il requisito minimo di distanza tra gli edifici, e viene penalizzato per sovrapposizioni o spazi ristretti. Dopo molti tentativi simulati, una Deep Q-Network—un metodo comune di apprendimento per rinforzo—apprende una strategia che conduce costantemente a layout validi ed efficienti.

Come si comporta il sistema rispetto ad altri metodi

I ricercatori hanno testato il loro approccio su dozzine di lotti diversi contenenti tra cinque e dodici edifici e lo hanno confrontato con tre baseline: posizionamento casuale, una semplice strategia greedy e un algoritmo genetico. Il posizionamento casuale raramente produceva progetti fattibili, e anche l’euristica dedicata e la ricerca evolutiva sono rimaste indietro rispetto all’agente che apprende. Il sistema IA ha raggiunto un tasso di successo del 100 percento nel produrre layout che rispettavano sia le regole sul sole sia quelle sulle distanze, ha richiesto meno mosse per edificio e ha disposto le torri in modo più compatto senza sacrificare l’accesso alla luce. In media, i suoi layout hanno garantito durate di sole più lunghe alle finestre a piano terra rispetto alle alternative, e un intero posizionamento per un lotto poteva essere generato in pochi secondi, rendendo fattibile l’esplorazione su larga scala delle opzioni per le attività di pianificazione quotidiane.

Cosa significa questo per il futuro del progetto urbano

In sostanza, lo studio dimostra che combinare un modello appreso rapido dell’illuminazione con un decisore basato sull’apprendimento può disporre in modo affidabile edifici che soddisfano rigidi vincoli normativi impiegando il terreno in modo efficiente. Sebbene lo strumento attuale si concentri solo sul sole invernale e sulle distanze di sicurezza—e sia tarato sul clima di Pechino—funziona già come prototipo potente: i pianificatori possono fornire un insieme di edifici candidati e ottenere quasi istantaneamente molte proposte di layout conformi. Le versioni future potrebbero estendere la stessa idea per includere vento, viste, rumore o regole locali di altre città, trasformando la disposizione degli edifici da un mestiere manuale lento in una collaborazione interattiva tra progettisti umani e assistenti IA.

Citazione: 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

Parole chiave: IA per pianificazione urbana, disposizione degli edifici, ottimizzazione dell’illuminazione solare, apprendimento per rinforzo, modelli generativi