Automatyczne rozmieszczanie budynków w planowaniu miejskim z użyciem DQN

Dlaczego inteligentniejsze rozmieszczenie budynków ma znaczenie

W miarę jak miasta rosną w górę i zagęszczają się, trudniej jest zapewnić, by okna mieszkań nadal miały dostęp do słońca, a wieżowce były rozstawione w bezpiecznej odległości. Projektanci miejscy zwykle równoważą te wymagania ręcznie, uruchamiając wolne symulacje komputerowe i wielokrotnie korygując układy. Badanie to przedstawia system sztucznej inteligencji (AI), który automatycznie rozmieszcza budynki wielopiętrowe na działce tak, by mieszkania otrzymywały wystarczające zimowe nasłonecznienie, a wieże zachowywały bezpieczne odstępy — co może zaoszczędzić projektantom ogromne ilości czasu przy jednoczesnym poprawieniu jakości życia w zatłoczonych miastach.

Wzrost miast i problem ze słońcem

Szybka urbanizacja, szczególnie w megamiastach takich jak Pekin i Szanghaj, popycha budynki bliżej siebie i w górę. Jednak krajowe przepisy w Chinach wymagają, aby mieszkania otrzymywały minimalną ilość słońca w dni przesilenia zimowego oraz aby budynki wysokie były oddzielone określonymi odległościami bezpieczeństwa. Dziś architekci korzystają z profesjonalnego oprogramowania do projektowania, aby sprostać tym wymogom: rysują obrysy budynków, uruchamiają szczegółowe symulacje nasłonecznienia i przesuwają wieże, aż zarówno limity nasłonecznienia, jak i odstępów zostaną spełnione. Proces ten w dużej mierze opiera się na doświadczeniu ekspertów i licznych próbach oraz błędach, co czyni go wolnym i trudnym do skalowania, gdy trzeba przetestować wiele działek i wariantów projektu.

Nauka sieci neuronowej przewidywania nasłonecznienia

Główną przeszkodą w automatyzacji tej pracy jest fakt, że dokładna symulacja nasłonecznienia jest kosztowna obliczeniowo. Aby to obejść, badacze najpierw wytrenowali specjalny rodzaj sieci neuronowej, zwaną splotowym autoenkoderem, aby działał jako szybki „zastępnik” narzędzia symulacyjnego. Wygenerowali ponad tysiąc przykładowych układów w Autodesk Revit dla warunków zimowych Pekinu i zanotowali, ile minut słońca otrzymywał każdy punkt działki w ciągu dnia. Mapy nasłonecznienia przekształcono w obrazy w skali szarości i sparowano z prostymi obrazami reprezentującymi wysokości i obrysy budynków. AI nauczyła się przekształcać obraz układu budynków w odpowiadający mu obraz nasłonecznienia, osiągając średnie błędy mniejsze niż trzy minuty słońca na punkt przy działaniu około stu razy szybciej niż pierwotna symulacja.

Pozwalając agentowi AI umieszczać budynki krok po kroku

Mając szybki predyktor nasłonecznienia, zespół zmierzył się z trudniejszym zadaniem: automatycznym decydowaniem, gdzie umieścić każdy budynek. Sformułowali to jako grę krok po kroku dla agenta uczącego się. Zaczynając od pustej działki, agent umieszcza budynek po budynku i może przesuwać go w górę, w dół, w lewo lub w prawo na siatce. Po każdym ruchu szybka sieć neuronowa ocenia nasłonecznienie, a system oblicza, jak blisko budynek jest sąsiadów i granic działki. Agent otrzymuje nagrodę, gdy znajdzie pozycję spełniającą zarówno minimalny wymóg nasłonecznienia okien zwróconych na południe, jak i minimalny wymóg odległości między budynkami, oraz jest karany za nakładanie się obrysów lub zbyt ciasne rozmieszczenie. W wielu symulowanych próbach Deep Q-Network — powszechny sposób uczenia ze wzmocnieniem — uczy się strategii, która konsekwentnie prowadzi do poprawnych, efektywnych układów.

Jak system wypada na tle innych metod

Badacze przetestowali swoje podejście na kilkudziesięciu różnych działkach zawierających od pięciu do dwunastu budynków i porównali je z trzema podstawowymi metodami: losowym rozmieszczeniem, prostą strategią zachłanną oraz algorytmem genetycznym. Losowe rozmieszczanie rzadko dawało wykonalne projekty, a nawet dostosowana heurystyka i wyszukiwanie ewolucyjne ustępowały agentowi uczącemu się. System AI osiągnął 100-procentową skuteczność w tworzeniu układów spełniających zarówno reguły nasłonecznienia, jak i odstępów, potrzebował mniej ruchów na budynek i rozmieszczał wieże bardziej kompaktowo bez utraty dostępu do światła. Średnio jego układy zapewniały dłuższe okresy nasłonecznienia przy oknach na parterze niż alternatywy, a pełne rozmieszczenie dla działki można było wygenerować w zaledwie kilka sekund, co umożliwia przeprowadzanie szerokiej eksploracji wariantów w codziennych zadaniach planistycznych.

Co to oznacza dla przyszłego projektowania miast

W istocie badanie pokazuje, że połączenie szybkiego, nauczonego modelu nasłonecznienia z decydentem opartym na uczeniu może niezawodnie układać budynki tak, by spełniały surowe wymogi regulacyjne, jednocześnie efektywnie wykorzystując teren. Choć obecne narzędzie koncentruje się tylko na zimowym słońcu i odstępach bezpieczeństwa — oraz jest dostrojone do klimatu Pekinu — już stanowi potężny prototyp: projektanci mogą wprowadzić zestaw kandydackich budynków i niemal natychmiast otrzymać wiele zgodnych propozycji układu. Przyszłe wersje mogłyby rozszerzyć tę samą koncepcję o wiatr, widoki, hałas czy lokalne przepisy w innych miastach, przekształcając rozmieszczanie budynków z powolnego, ręcznego rzemiosła w interaktywne partnerstwo między projektantami a asystentami AI.

Cytowanie: 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

Słowa kluczowe: AI w planowaniu miejskim, układ budynków, optymalizacja nasłonecznienia, uczenie ze wzmocnieniem, modele generatywne