Auto-ordna byggnader i stadsplanering med DQN

Varför smartare byggnadsplaceringar spelar roll

När städer växer högre och tätare blir det svårare att säkerställa att lägenhetsfönster fortfarande får solljus och att höghus hålls på säkert avstånd från varandra. Stadsplanerare jonglerar vanligtvis dessa krav manuellt, kör långsamma datorsimuleringar och finjusterar planerna om och om igen. Denna studie presenterar ett artificiellt intelligenssystem (AI) som automatiskt kan ordna höghus på en tomt så att bostäder får tillräckligt med vinterljus och torn håller ett säkert avstånd från varandra, vilket potentiellt sparar planerare enormt med tid samtidigt som det förbättrar livskvaliteten i trånga städer.

Stadstillväxten och solens trängsel

Snabb urbanisering, särskilt i megastäder som Peking och Shanghai, pressar byggnader närmare varandra och längre upp i skyn. Samtidigt kräver nationella regler i Kina att bostäder får en minsta mängd solsken på mellinvinterdagar och att höghus separeras med specifika säkerhetsavstånd. Idag använder arkitekter professionell designmjukvara för att uppfylla dessa regler: de ritar byggnadsplaner, kör detaljerade solsimuleringar och flyttar torn tills både solljus- och avståndsgränserna är uppfyllda. Denna process är starkt beroende av expertkunskap och många omgångar av försök och misstag, vilket gör den långsam och svår att skala när många tomter och designalternativ måste prövas.

Att lära ett neuralt nätverk förutsäga solljus

Ett stort hinder för att automatisera arbetet är att exakta solsimuleringar är beräkningsmässigt dyra. För att övervinna detta tränade forskarna först en särskild typ av neuralt nätverk, kallat en konvolutionell autoencoder, att fungera som ett snabbt "stället-för" simuleringsverktyget. De genererade mer än tusen exempelplaner i Autodesk Revit för Pekings mellinvinterförhållanden och registrerade, för varje punkt på tomten, hur många minuter solsken den fick under dagen. Dessa solkartor konverterades till gråskalebilder och parade ihop med enkla bilder som representerade byggnadshöjder och grundytor. AI:n lärde sig att översätta en bild av byggnadsutformningen till dess motsvarande solbild och uppnådde i genomsnitt fel på mindre än tre minuters solsken per punkt samtidigt som den körde ungefär hundra gånger snabbare än den ursprungliga simuleringen.

Låta en AI-agent placera byggnader steg för steg

Med en snabb solprediktor i handen gav sig teamet i kast med det svårare problemet: att automatiskt avgöra var varje byggnad ska placeras. De formulerade detta som ett steg-för-steg-spel för en lärande agent. Med start från en tom tomt placerar agenten en byggnad i taget och kan knuffa den upp, ner, vänster eller höger på ett rutnät. Efter varje drag uppskattar det snabba neurala nätverket solinstrålningen, och systemet beräknar hur nära byggnaden är sina grannar och tomtgränserna. Agenten belönas när den hittar en position som uppfyller både minikravet på solljus för södervända fönster och minsta avstånd mellan byggnader, och den straffas för överlappningar eller trång placering. Över många simulerade försök lär sig ett Deep Q-Network—en vanlig metod inom förstärkningsinlärning—en strategi som konsekvent leder till giltiga, effektiva utformningar.

Systemets prestanda jämfört med andra metoder

Forskarna testade sin metod på flera dussin olika tomter med mellan fem och tolv byggnader och jämförde den med tre referensmetoder: slumpmässig placering, en enkel girig strategi och en genetisk algoritm. Slumpmässig placering gav sällan gångbara designer, och även den skräddarsydda heuristiken och den evolutionära sökningen halkade efter den lärande agenten. AI-systemet uppnådde 100 procents framgång i att producera layouter som uppfyllde både sol- och avståndsregler, behövde färre förflyttningar per byggnad och arrangerade torn mer kompakt utan att kompromissa med tillgången till ljus. I genomsnitt gav dess utformningar längre solperioder vid marknivåfönster än alternativen, och en fullständig arrangemang för en tomt kunde genereras på bara några sekunder, vilket gör storskalig utforskning av alternativ möjlig i vardagliga planeringsuppgifter.

Vad detta betyder för framtidens stadsdesign

I korthet visar studien att kombinationen av en snabb inlärd modell för sol och en lärandebaserad beslutsfattare kan lägga ut byggnader på ett pålitligt sätt så att strikta regler uppfylls samtidigt som marken utnyttjas effektivt. Även om det nuvarande verktyget endast fokuserar på vintersol och säkerhetsavstånd—och är inställt för Pekings klimat—fungerar det redan som en kraftfull prototyp: planerare kan mata in en uppsättning kandidatbyggnader och få flera förslag på kompatibla layouter nästan omedelbart. Framtida versioner skulle kunna utvidga samma idé till att omfatta vind, utsikter, buller eller lokala regler i andra städer, och förvandla byggnadsarrangemang från ett långsamt hantverk till ett interaktivt partnerskap mellan mänskliga formgivare och AI-assistenter.

Citering: 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

Nyckelord: AI för stadsplanering, byggnadsutformning, solfallsoptimering, förstärkningsinlärning, generativa modeller