DQNによる都市計画における建物の自動配置

なぜ賢い建物配置が重要なのか

都市が高層化・高密度化するにつれて、集合住宅の窓に十分な日照を確保し、塔状建物同士の安全な間隔を維持することは難しくなります。都市設計者は通常、手作業でこれらの要求を調整し、時間のかかるコンピュータシミュレーションを繰り返しながらレイアウトを修正します。本研究は、敷地上の高層建物を自動的に配置し、冬期の日照を確保しつつ塔同士の安全距離を保つ人工知能（AI）システムを紹介します。これにより、プランナーの作業時間を大幅に短縮し、混雑した都市の居住性を向上させる可能性があります。

都市の成長と日照の圧迫

特に北京や上海のようなメガシティでは急速な都市化が建物を互いに近づけ、高くする傾向を生んでいます。中国の国家規定では、住宅が冬至付近の日に一定の最小日照を受けることや、高層建物同士に規定の安全距離を確保することが求められます。現在、建築家はこれらの規定に対応するために専門の設計ソフトを使い、建物の平面を描き、詳細な日照シミュレーションを実行し、日照や間隔の要件が満たされるまで塔の位置を調整します。このプロセスは専門家の経験と多くの試行錯誤に依存しており、多数の敷地や設計案を検討する際には遅くスケールしにくいという問題があります。

日照を予測するニューラルネットワークの学習

自動化の大きな障害は、正確な日照シミュレーションが計算コストが高い点です。この問題を解決するために、研究者たちはまず畳み込みオートエンコーダと呼ばれる特殊なニューラルネットワークを訓練し、シミュレーションツールの高速な“代替”として機能させました。彼らは北京の冬期条件に合わせてAutodesk Revitで千件以上のサンプルレイアウトを生成し、敷地上の各点が一日に何分の日照を得るかを記録しました。これらの日照マップはグレースケール画像に変換され、建物の高さと配置を表すシンプルな画像と対にされました。AIは建物配置の画像から対応する日照画像を生成することを学び、点ごとの平均誤差を3分未満に抑えつつ、元のシミュレーションより約100倍高速に動作しました。

建物を一歩ずつ配置するAIエージェント

高速の日照予測器を手に入れた上で、研究チームはさらに難しい問題に取り組みました：各建物をどこに置くかを自動的に決定することです。これは学習エージェントのための一歩ずつ進むゲームとして定式化されました。空の敷地から始め、エージェントは1棟ずつ建物を配置し、格子上で上下左右に位置を調整できます。各動作の後、高速ニューラルネットワークが日照を推定し、システムはその建物が隣接建物や敷地境界にどれだけ近いかを計算します。南向き窓の日照の最小要件と建物間の最小距離要件の両方を満たす位置を見つけるとエージェントは報酬を受け、重なりや過度に狭い配置に対しては罰則を受けます。多数のシミュレーション試行を通じて、Deep Q-Network（一般的な強化学習手法）が一貫して有効な効率的レイアウトを導く戦略を学習します。

他の手法との比較での性能

研究者たちは5～12棟を含む数十の異なる敷地でこの手法を試験し、ランダム配置、単純な貪欲アルゴリズム、遺伝的アルゴリズムという3つのベースラインと比較しました。ランダム配置は実用的な設計をほとんど生まず、調整されたヒューリスティックや進化的探索も学習エージェントに及びませんでした。AIシステムは日照と距離の両規則を満たすレイアウトの生成で100％の成功率を達成し、建物ごとの必要な動作回数は少なく、採光を損なわずに塔をよりコンパクトに配置しました。平均して、そのレイアウトは地上階窓に対して他の方法よりも長い日照時間を提供し、敷地全体の配置は数秒で生成できたため、日常的な計画作業における大規模な選択肢探索が現実的になりました。

今後の都市設計にとっての意味

本質的に、この研究は高速な学習済み日照モデルと学習ベースの意思決定者を組み合わせることで、厳しい規制要件を満たしつつ土地を効率的に使う建物配置を安定的に作れることを示しています。現行のツールは冬季の日照と安全な間隔にのみ焦点を当て、北京の気候に合わせて調整されていますが、それでも強力なプロトタイプとして機能します：プランナーは候補となる建物群を入力すれば、複数の適合する配置案をほぼ瞬時に得られます。将来のバージョンでは風、眺望、騒音、あるいは他都市の地域規則などを含めることで、建物配置を遅い手作業から人間の設計者とAIアシスタントの対話的な協働へと変えることができるでしょう。

引用: 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

キーワード: 都市計画AI, 建物配置, 日照最適化, 強化学習, 生成モデル