清華大学の研究：AIは都市空間の計画において人間の3,000倍の速さ！

今日では、都市空間計画の分野では人間のデザイナーにも AI のパートナーがいます。

清華大学の研究チームが深層強化学習アルゴリズムのモデルを提案した。このモデルは、15 分都市の概念に基づいて、複雑な都市空間計画を実行できます。人間の入力と組み合わせることで、機械学習を活用した土地と道路の空間計画は、考慮されたすべての指標において他のアルゴリズムやプロの人間の設計者よりも約 50% 優れ、3,000 倍高速になりました。

「深層強化学習による都市コミュニティの空間計画」と題された関連研究論文が、Nature の関連ジャーナルである Nature Computational Science の最新号に掲載されました。

この論文に付随するNews & Views記事で、MIT Senseable City Labの研究科学者であるPaolo Santi氏は次のように書いています。「 Yu Zheng氏らは、主要な概念的および計算上の課題に取り組むとともに、空間計画においてAIと人間のワークフローを統合することの実現可能性を実証することに成功し、将来に向けた豊富な研究の方向性を示しています。」

都市計画は早急に改革する必要があり、「15分都市」という概念が人気を集めている

都市は革新、創造性、機会の中心地となり、娯楽、教育、医療、雇用機会を求めるあらゆる階層の人々を惹きつけています。効果的な空間計画は、都市の経済活動と持続可能な発展にとって非常に重要です。

現代の都市計画は、多くの場合、車両中心で、集中化された機能と自動車に依存した交通を優先しており、交通渋滞を引き起こすだけでなく、地球温暖化を悪化させています。同時に、COVID-19パンデミックは、ロックダウン中の都市の脆弱性も明らかにしました。したがって、都市計画は早急に変更し、車両中心から人間中心への移行を加速する必要があります。

「15分都市」というコンセプトが、新しい都市コミュニティの計画や既存のコミュニティの改修においてますます人気が高まっていることは注目に値します。住民は基本的なサービス施設まで徒歩または自転車で 15 分以内に行くことができ、これは都市コミュニティ内での空間効率の高いレイアウトに対する人々の期待を反映しています。

しかし、人類は都市計画を自動化するための計算モデルとサポートツールの開発に何十年も努力を注いできました。今日、人間の都市計画者は、GIS ツールを使用することで数十年前に比べて桁違いに生産性が向上していますが、面倒なレイアウト作業は依然として手作業で行う必要があります。

AIエージェントは人間の専門家よりも効率的な計画ソリューションを生成できる

上記の課題に対処するため、清華大学の研究チームは、都市コミュニティの土地利用と道路レイアウトを生成できる、深層強化学習に基づく都市計画モデルを提案しました。

しかし、チップ設計や囲碁などの規則的なグリッド条件を持つタスクと比較すると、都市コミュニティはさまざまな幾何学的形状を持ち、より多様で不規則です。

この問題を解決するために、研究チームは、都市の地理的要素をノード、空間の連続性をエッジとして、都市形状の位相構造を記述する都市連続性グラフを提案しました。グラフを構築することで、あらゆる形態のコミュニティの重要な空間関係を捉えることができます。したがって、彼らは空間計画をグラフ上の順次決定問題として定式化し、幾何学的レベルではなく位相的レベルで計画を実行します。

さらに、空間計画におけるもう一つの大きな課題は、巨大な解決空間と、それに伴うさらに大きな行動空間です。中規模のコミュニティのアクション スペースは簡単に 4000 の 100 乗 (ステップごとに 4000 のアクションが可能で、コミュニティ スペース計画の合計ステップは 100) を超えるため、徹底的な検索は実行不可能になります。

行動空間を縮小するために、研究者らは価値ネットワークと 2 つのポリシー ネットワークで構成される AI エージェントをトレーニングし、巨大な行動空間を効率的に探索して活用することで、適切な計画戦略を見つけられるようにしました。具体的には、価値ネットワークは「15分都市」コンセプトの実現に基づいて空間計画の品質を予測し、他の2つのポリシーネットワークはAIエージェントが土地利用や道路の場所を選択するために使用されます。ポリシー ネットワークからアクションをサンプリングし、バリュー ネットワークを使用して報酬を推定することで、アクション空間が大幅に縮小されます。

都市の地理的要素を効果的に表現するために、研究者らはさらにグラフニューラルネットワーク（GNN）に基づく状態エンコーダーを開発しました。これは都市の連続性グラフ上でメッセージの受け渡しと近傍集約を使用し、土地、道路区間、交差点間の空間関係を捉えます。この GNN 状態エンコーダーは、バリュー ネットワークとポリシー ネットワーク間で共有され、報酬の予測と位置の選択を容易にします。最終的に、AI エージェントは人間の専門家よりも効率的な計画ソリューションを生成することができました。

広範な実験結果により、同じ初期条件と計画制約の下で、私たちのアプローチは最先端のアルゴリズムや人間の専門家を大幅に上回り、空間効率の客観的指標を 48.6% 以上向上できることが実証されています。特に、既存の実際のコミュニティを初期条件として使用すると、モデルは、住民のさまざまな施設へのアクセス性を18.5％以上大幅に向上させる土地利用変換計画を生成することができます。

研究者らは、都市計画手法の成熟度と複雑さを考慮し、提示された DRL モデルに基づいて、AI と人間のデザイナーが協力するワークフローを提案しました。このワークフローでは、人間のデザイナーは概念的なプロトタイピングに重点を置き、モデルを使用して重くて時間のかかる計画作業を完了します。

結果は、人間のデザイナーが、客観的な計画基準と 100 人のプロのデザイナーによる主観的なブラインド テストの両方で完全に人間の労働によって実行されるワークフローよりも優れており、時間効率が 3,000 倍高い AI と人間の共同ワークフローから恩恵を受けることができることを示しています。

さらに、このモデルは、単純なシナリオから一般的な計画スキルを学習し、グリーンコミュニティやサービスコミュニティなどのさまざまなスタイルの設計における大規模で複雑な計画タスクに適用できます。

機械学習は持続可能な都市開発と多様な利害関係者の参加を促進する

しかし、この実験で生成された空間計画の数は 100 万を超えていますが、囲碁やチップ設計などの同様の DRL タスクで使用されるデータセットと比較すると、まだ十分な大きさではありません。さらに、この研究アプローチを都市レベルにまで拡大するには、分散クラスターから大量のトレーニング サンプルを収集し、複数のサーバー上の複数の GPU を使用して、より大規模なニューラル ネットワークをトレーニングする必要があります。

分解の 3 つのサブスペース (計画内容、計画場所、計画方法) はエー​​ジェントによって共同で最適化できることは注目に値しますが、これにはより多くのトレーニング サンプルが必要です。さらに、計画内容のセクションを拡張して、公共交通機関のルートや駅など、都市の持続可能性に関連する他の重要な要素を含めることもできます。さらに、このフレームワークでは、美観や芸術的スコアなど、空間計画の主観的な評価指標も無視されます。

現在の枠組みは主に静的な指標に基づいており、空間的に効率的な近隣計画を生成できる一方で、都市全体の計画は経済成長や住民の健康など、さまざまな目的を考慮する必要があるより複雑な作業です。都市レベルの計画の影響を、いくつかの静的な指標を通じて評価することはほぼ不可能です。

ほとんどの実験では、研究者は何百もの都市計画ルールを無視し、土地の所有権、公共のアクセス、都市の分離、改修など、実際の都市計画における重要な問題を考慮していませんでした。ただし、必要かつ合理的な調整を行うことで、このアプローチは、実際の計画状況における規制上および政治的な問題にうまく対処することができます。

この研究にはまだいくつかの欠点があるものの、その重要性を否定することはできない。

機械学習は支援ツールとして、人間の計画者の生産性を向上させることができ、より持続可能な都市生活を生み出す可能性も秘めています。プランナーが空間レイアウト プロセスをスピードアップするのに役立つだけでなく、他のプレーヤーにも幅広いメリットをもたらすことができます。モデルにカスタマイズ オプションを導入することで、住民や開発者が計画プロセスに参加しやすくなるパブリック プラットフォームを構築できます。

研究論文でも述べられているように、都市計画は決して土地利用や道路の位置を選択する単純なゲームではなく、むしろ複数の利害関係者間の複雑な相互作用です。この研究で提案された枠組みは、すべての関係者のより高いレベルの関与の可能性を示しており、より透明で包括的な都市に向けた小さな一歩です。

参考リンク:

https://www.nature.com/articles/s43588-023-00503-5

https://www.nature.com/articles/s43588-023-00515-1

著者: ヤン・イーミ

編集者: 学術