Resim kaynağı: Sınırsız Yapay Zeka tarafından oluşturulmuştur
Kaynak: Akademik Başlıklar
Yazarı: Yan Yimi
Editör: Akademisyen
Günümüzde kentsel mekansal planlama alanında insan tasarımcıların da yapay zeka ortakları var.
Tsinghua Üniversitesi'nden bir araştırma ekibi, derin takviyeli öğrenme algoritmasının bir modelini önerdi. 15 dakikalık şehir konseptini temel alan bu model, karmaşık kentsel alan planlamasına olanak sağlar. İnsan girdisiyle birleştiğinde, makine öğrenimi destekli arazi ve yol mekansal planlaması, diğer algoritmalardan ve profesyonel insan tasarımcılardan daha iyi performans göstererek, dikkate alınan tüm ölçümlerde yaklaşık %50 oranında ve 3.000 kata kadar daha hızlı oldu.
İlgili araştırma makalesi "Kentsel toplulukların derin takviyeli öğrenme yoluyla mekansal planlaması" başlığını taşıyor ve Nature alt dergisi Nature Computational Science'ın son sayısında yayınlandı.
Eşzamanlı bir News & Views makalesinde, MIT Senseable City Lab'da araştırma bilimcisi olan Paolo Santi şunları yazdı: "Yu Zheng ve diğerleri, temel kavramsal ve hesaplamalı zorlukları ele alıyor. Aynı zamanda, yapay zekayı entegre etmenin fizibilitesini de başarılı bir şekilde gösterdi. ve mekansal yerleşim planlaması alanında insan iş akışı, geleceğe yönelik zengin araştırma yönlendirmeleri sağlar**.
Şehir planlamasının acilen değişmesi gerekiyor ve “15 dakikalık şehir” kavramı oldukça popüler
Şehirler, hayatın her kesiminden eğlence, eğitim, sağlık ve istihdam fırsatları arayan insanları kendine çeken yenilik, yaratıcılık ve fırsat merkezleri haline geldi. **Etkili mekansal planlama, şehirlerin ekonomik faaliyeti ve sürdürülebilir gelişimi için şarttır. **
Modern şehir planlaması genellikle araç odaklı olup, merkezi işlevleri ve araca bağımlı ulaşım modlarını tercih eder; bu da yalnızca trafik sıkışıklığı yaratmakla kalmaz, aynı zamanda küresel ısınmaya da katkıda bulunur. Aynı zamanda, koronavirüs pandemisi şehirlerin tecrit sırasındaki kırılganlığını da ortaya çıkardı. Bu nedenle şehir planlamasının acilen dönüştürülmesi ve araç odaklıdan insan odaklıya geçişin hızlandırılması gerekiyor.
Yeni kentsel toplulukların planlanmasında ve mevcut toplulukların yenilenmesinde, sakinlerin 15 dakika içinde temel hizmetlere yürüyerek veya bisikletle ulaşabilecekleri "15 dakikalık şehirler" kavramının giderek daha popüler hale geldiğini belirtmekte fayda var. Bu, insanların yüksek mekansal verimlilik düzenine yönelik beklentilerini yansıtıyor. kentsel topluluklarda.
Ancak insanlar, kentsel planlamayı otomatikleştirmek için hesaplamalı modeller ve destekleyici araçlar geliştirmek için onlarca yıl çaba harcadı. Her ne kadar şehir planlamacıları bugün GIS araçlarını kullanarak onlarca yıl öncesine göre çok daha verimli olsalar da** sıkıcı yerleşim görevlerinin hâlâ manuel olarak yapılması gerekiyor**.
Yapay zeka temsilcileri, insan uzmanlardan daha verimli planlama çözümleri üretebilir
Yukarıdaki zorlukların üstesinden gelmek için Tsinghua Üniversitesi'nden bir araştırma ekibi, kentsel topluluklar için arazi kullanımı ve yol düzenleri oluşturabilen, derin takviyeli öğrenmeye dayalı bir kentsel planlama modeli önerdi.
Ancak çip tasarımı ve Go gibi düzenli ızgara koşullarına sahip görevlerle karşılaştırıldığında kentsel topluluklar, daha çeşitli ve düzensiz olan farklı geometri biçimleri sunar.
Bu sorunu çözmek için araştırma ekibi, kentsel geometrinin topolojisini tanımlamak için kentsel coğrafi unsurların düğümler ve mekansal sürekliliğin kenarlar olduğu bir kentsel süreklilik grafiği önerdi. Grafiklerin oluşturulması, herhangi bir topluluk biçiminin temel mekansal ilişkilerinin yakalanmasına olanak tanır. Bu nedenle mekan planlamasını bir grafik üzerinde sıralı bir karar problemi olarak formüle ederler ve geometrik düzeyden ziyade topolojik düzeyde plan yaparlar.
Ek olarak, alan planlamasındaki bir diğer önemli zorluk da devasa çözüm alanı ve buna eşlik eden daha büyük eylem alanıdır. Orta büyüklükteki bir topluluğun eylem alanı kolaylıkla 4000'in yüz üssünü aşabilir (adım başına 4000 olası eylem, topluluk alanı planlaması için toplam 100 adım), bu da kapsamlı bir aramayı olanaksız hale getirir.
Eylem alanını azaltmak için araştırmacılar, devasa eylem alanında verimli keşif ve kullanım yoluyla iyi planlama stratejileri bulması için bir değer ağı ve iki politika ağından oluşan bir yapay zeka aracısını eğitti. Spesifik olarak değer ağı, "15 dakikalık şehir" konseptinin uygulanmasına dayalı olarak mekansal planlamanın kalitesini tahmin eder ve diğer iki politika ağı, yapay zeka aracısı tarafından arazi kullanımlarını ve yolların konumunu seçmek için kullanılır. Politika ağından eylemlerin örneklenmesi ve değer ağını kullanarak ödüllerin tahmin edilmesiyle eylem alanı önemli ölçüde azaltılır.
Kentsel coğrafi unsurların etkili bir temsilini elde etmek için araştırmacılar ayrıca arazi ve yol bölümlerini yakalamak için kentsel süreklilik grafiğinde mesaj aktarımını ve komşu toplamayı kullanan grafik sinir ağını (GNN) temel alan bir durum kodlayıcı geliştirdi. ve kesişme noktaları arasındaki mekansal ilişki. Bu GNN durum kodlayıcısı, değer ağı ile politika ağı arasında paylaşılır, böylece ödül tahminini ve konum seçimini kolaylaştırır. Sonuçta yapay zeka temsilcileri, insan uzmanlardan daha verimli planlama çözümleri üretebiliyor.
Kapsamlı deneysel sonuçlar, aynı başlangıç koşulları ve planlama kısıtlamaları altında, bu yöntemin en son teknolojiye sahip algoritmalardan ve insan uzmanlarından önemli ölçüde daha iyi performans gösterdiğini ve alan verimliliğine ilişkin nesnel göstergeleri %48,6'dan fazla iyileştirebildiğini göstermektedir. Özellikle mevcut gerçek topluluklar başlangıç koşulları olarak kullanıldığında model, sakinlerin çeşitli tesislere erişilebilirliğini %18,5'ten fazla önemli ölçüde artıran arazi kullanım dönüşüm planları üretebilir.
Araştırmacılar, sunulan DRL modeline dayalı olarak kentsel planlama yöntemlerinin olgunluğunu ve karmaşıklığını dikkate alarak, insan tasarımcılarla yapay zeka işbirliği için, insan tasarımcının konsept prototip oluşturmaya odaklandığı ve ağır yükü tamamlamak için modeli kullandığı bir iş akışı önermektedir. zaman alıcı planlama çabaları.
Sonuçlar, insan tasarımcıların, 100 profesyonel insan tasarımcıyla hem nesnel planlama ölçümleri hem de öznel kör testlerde insan emeğini tamamen geride bırakan bir yapay zeka-insan işbirliği iş akışından yararlanabileceğini gösteriyor. İş akışını tamamlayın ve zaman verimliliğini 3000 kat artırın.
Buna ek olarak model, basit senaryolardan genel planlama becerilerini öğrenebilir ve bunları yeşil topluluklar ve hizmet toplulukları gibi farklı tarzların tasarlanmasında büyük ölçekli karmaşık planlama görevlerine uygulayabilir.
Makine öğrenimi sürdürülebilir kentsel gelişimi ve çok paydaşlı katılımı teşvik eder
Ancak bu deneyde, oluşturulan mekansal planların sayısı 1 milyonu geçmesine rağmen, benzer DRL görevlerinde (Go ve çip tasarımı gibi) kullanılan veri setleri ile karşılaştırıldığında yine de yeterince büyük değildi. Ayrıca, bu araştırma yöntemini şehir düzeyine genişletmek, dağıtılmış kümelerden çok sayıda eğitim örneğinin toplanmasını ve daha büyük sinir ağlarını eğitmek için birden fazla sunucuda birden fazla GPU'nun kullanılmasını gerektirir.
Ayrıştırmanın üç alt uzayının (ne planlanmalı, nerede planlanmalı ve nasıl planlanmalı) etmen tarafından ortaklaşa optimize edilebileceğini belirtmek gerekir, ancak bu daha fazla eğitim örneği gerektirir. Ek olarak, ne planlanmalı bölümü, toplu taşıma güzergahları ve istasyonları gibi kentsel sürdürülebilirlikle ilgili diğer önemli unsurları da içerecek şekilde genişletilebilir. Ayrıca bu çerçeve, mekânsal planlamanın estetik ve sanatsal puanlar gibi bazı öznel değerlendirme göstergelerini de göz ardı etmektedir.
Mevcut çerçeveler büyük ölçüde statik göstergeler tarafından yönlendirilmektedir ve yüksek mekansal verimliliğe sahip mahalle planları oluşturmak mümkün olsa da, bir şehrin tamamını planlamak, ekonomik büyüme ve bölge sakinlerinin sağlığı dahil olmak üzere çeşitli hedeflerin dikkate alınmasını gerektiren daha karmaşık bir iştir. Şehir düzeyinde planlamanın etkisini bazı statik göstergelerle değerlendirmek neredeyse imkansızdır.
Deneylerin çoğunda araştırmacılar yüzlerce şehir planlama kuralını göz ardı ettiler ve arazi mülkiyeti, kamu erişimi, kentsel ayrışma ve yenileme gibi gerçek şehir planlamasındaki temel konuları hesaba katmakta başarısız oldular. Bununla birlikte, gerekli ve makul ayarlamalarla bu yaklaşım, pratik planlamanın bu düzenleyici ve politik konularını iyi bir şekilde ele alabilir.
Araştırmanın hala eksikleri olsa da önemini inkar edemeyiz.
Destekleyici bir araç olarak makine öğrenimi, insan planlamacıların üretkenliğini artırabilir ve aynı zamanda potansiyel olarak daha sürdürülebilir kentsel yaşam yaratabilir. Ayrıca, planlamacıların alan düzenleme sürecini hızlandırmasına yardımcı olmanın yanı sıra, diğer katılımcılara da daha geniş faydalar sağlayabilir. Modele özelleştirme seçenekleri eklenerek, konut sakinlerinin ve geliştiricilerin planlama sürecine katılımını kolaylaştıracak halka açık bir platform oluşturulabilir.
Araştırma makalesinde de belirtildiği gibi, kentsel planlama hiçbir zaman arazi kullanımı ve yol konumunun seçilmesiyle ilgili basit bir oyun değildir; birden fazla paydaş arasındaki karmaşık bir etkileşimdir. Bu çalışmada önerilen çerçeve, tüm aktörlerin daha yüksek katılım olasılığını ortaya koymakta olup, daha şeffaf ve kapsayıcı bir kente doğru küçük bir adımdır.
Referans bağlantıları:
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Nature alt dergisinde yayınlanan Tsinghua AI modeli: Kentsel mekansal planlamayla oynamak, insanlardan 3000 kat daha hızlı
Kaynak: Akademik Başlıklar
Yazarı: Yan Yimi
Editör: Akademisyen
Günümüzde kentsel mekansal planlama alanında insan tasarımcıların da yapay zeka ortakları var.
Tsinghua Üniversitesi'nden bir araştırma ekibi, derin takviyeli öğrenme algoritmasının bir modelini önerdi. 15 dakikalık şehir konseptini temel alan bu model, karmaşık kentsel alan planlamasına olanak sağlar. İnsan girdisiyle birleştiğinde, makine öğrenimi destekli arazi ve yol mekansal planlaması, diğer algoritmalardan ve profesyonel insan tasarımcılardan daha iyi performans göstererek, dikkate alınan tüm ölçümlerde yaklaşık %50 oranında ve 3.000 kata kadar daha hızlı oldu.
İlgili araştırma makalesi "Kentsel toplulukların derin takviyeli öğrenme yoluyla mekansal planlaması" başlığını taşıyor ve Nature alt dergisi Nature Computational Science'ın son sayısında yayınlandı.
Şehir planlamasının acilen değişmesi gerekiyor ve “15 dakikalık şehir” kavramı oldukça popüler
Şehirler, hayatın her kesiminden eğlence, eğitim, sağlık ve istihdam fırsatları arayan insanları kendine çeken yenilik, yaratıcılık ve fırsat merkezleri haline geldi. **Etkili mekansal planlama, şehirlerin ekonomik faaliyeti ve sürdürülebilir gelişimi için şarttır. **
Modern şehir planlaması genellikle araç odaklı olup, merkezi işlevleri ve araca bağımlı ulaşım modlarını tercih eder; bu da yalnızca trafik sıkışıklığı yaratmakla kalmaz, aynı zamanda küresel ısınmaya da katkıda bulunur. Aynı zamanda, koronavirüs pandemisi şehirlerin tecrit sırasındaki kırılganlığını da ortaya çıkardı. Bu nedenle şehir planlamasının acilen dönüştürülmesi ve araç odaklıdan insan odaklıya geçişin hızlandırılması gerekiyor.
Yeni kentsel toplulukların planlanmasında ve mevcut toplulukların yenilenmesinde, sakinlerin 15 dakika içinde temel hizmetlere yürüyerek veya bisikletle ulaşabilecekleri "15 dakikalık şehirler" kavramının giderek daha popüler hale geldiğini belirtmekte fayda var. Bu, insanların yüksek mekansal verimlilik düzenine yönelik beklentilerini yansıtıyor. kentsel topluluklarda.
Yapay zeka temsilcileri, insan uzmanlardan daha verimli planlama çözümleri üretebilir
Yukarıdaki zorlukların üstesinden gelmek için Tsinghua Üniversitesi'nden bir araştırma ekibi, kentsel topluluklar için arazi kullanımı ve yol düzenleri oluşturabilen, derin takviyeli öğrenmeye dayalı bir kentsel planlama modeli önerdi.
Ancak çip tasarımı ve Go gibi düzenli ızgara koşullarına sahip görevlerle karşılaştırıldığında kentsel topluluklar, daha çeşitli ve düzensiz olan farklı geometri biçimleri sunar.
Bu sorunu çözmek için araştırma ekibi, kentsel geometrinin topolojisini tanımlamak için kentsel coğrafi unsurların düğümler ve mekansal sürekliliğin kenarlar olduğu bir kentsel süreklilik grafiği önerdi. Grafiklerin oluşturulması, herhangi bir topluluk biçiminin temel mekansal ilişkilerinin yakalanmasına olanak tanır. Bu nedenle mekan planlamasını bir grafik üzerinde sıralı bir karar problemi olarak formüle ederler ve geometrik düzeyden ziyade topolojik düzeyde plan yaparlar.
Eylem alanını azaltmak için araştırmacılar, devasa eylem alanında verimli keşif ve kullanım yoluyla iyi planlama stratejileri bulması için bir değer ağı ve iki politika ağından oluşan bir yapay zeka aracısını eğitti. Spesifik olarak değer ağı, "15 dakikalık şehir" konseptinin uygulanmasına dayalı olarak mekansal planlamanın kalitesini tahmin eder ve diğer iki politika ağı, yapay zeka aracısı tarafından arazi kullanımlarını ve yolların konumunu seçmek için kullanılır. Politika ağından eylemlerin örneklenmesi ve değer ağını kullanarak ödüllerin tahmin edilmesiyle eylem alanı önemli ölçüde azaltılır.
Kentsel coğrafi unsurların etkili bir temsilini elde etmek için araştırmacılar ayrıca arazi ve yol bölümlerini yakalamak için kentsel süreklilik grafiğinde mesaj aktarımını ve komşu toplamayı kullanan grafik sinir ağını (GNN) temel alan bir durum kodlayıcı geliştirdi. ve kesişme noktaları arasındaki mekansal ilişki. Bu GNN durum kodlayıcısı, değer ağı ile politika ağı arasında paylaşılır, böylece ödül tahminini ve konum seçimini kolaylaştırır. Sonuçta yapay zeka temsilcileri, insan uzmanlardan daha verimli planlama çözümleri üretebiliyor.
Araştırmacılar, sunulan DRL modeline dayalı olarak kentsel planlama yöntemlerinin olgunluğunu ve karmaşıklığını dikkate alarak, insan tasarımcılarla yapay zeka işbirliği için, insan tasarımcının konsept prototip oluşturmaya odaklandığı ve ağır yükü tamamlamak için modeli kullandığı bir iş akışı önermektedir. zaman alıcı planlama çabaları.
Sonuçlar, insan tasarımcıların, 100 profesyonel insan tasarımcıyla hem nesnel planlama ölçümleri hem de öznel kör testlerde insan emeğini tamamen geride bırakan bir yapay zeka-insan işbirliği iş akışından yararlanabileceğini gösteriyor. İş akışını tamamlayın ve zaman verimliliğini 3000 kat artırın.
Buna ek olarak model, basit senaryolardan genel planlama becerilerini öğrenebilir ve bunları yeşil topluluklar ve hizmet toplulukları gibi farklı tarzların tasarlanmasında büyük ölçekli karmaşık planlama görevlerine uygulayabilir.
Makine öğrenimi sürdürülebilir kentsel gelişimi ve çok paydaşlı katılımı teşvik eder
Ancak bu deneyde, oluşturulan mekansal planların sayısı 1 milyonu geçmesine rağmen, benzer DRL görevlerinde (Go ve çip tasarımı gibi) kullanılan veri setleri ile karşılaştırıldığında yine de yeterince büyük değildi. Ayrıca, bu araştırma yöntemini şehir düzeyine genişletmek, dağıtılmış kümelerden çok sayıda eğitim örneğinin toplanmasını ve daha büyük sinir ağlarını eğitmek için birden fazla sunucuda birden fazla GPU'nun kullanılmasını gerektirir.
Ayrıştırmanın üç alt uzayının (ne planlanmalı, nerede planlanmalı ve nasıl planlanmalı) etmen tarafından ortaklaşa optimize edilebileceğini belirtmek gerekir, ancak bu daha fazla eğitim örneği gerektirir. Ek olarak, ne planlanmalı bölümü, toplu taşıma güzergahları ve istasyonları gibi kentsel sürdürülebilirlikle ilgili diğer önemli unsurları da içerecek şekilde genişletilebilir. Ayrıca bu çerçeve, mekânsal planlamanın estetik ve sanatsal puanlar gibi bazı öznel değerlendirme göstergelerini de göz ardı etmektedir.
Deneylerin çoğunda araştırmacılar yüzlerce şehir planlama kuralını göz ardı ettiler ve arazi mülkiyeti, kamu erişimi, kentsel ayrışma ve yenileme gibi gerçek şehir planlamasındaki temel konuları hesaba katmakta başarısız oldular. Bununla birlikte, gerekli ve makul ayarlamalarla bu yaklaşım, pratik planlamanın bu düzenleyici ve politik konularını iyi bir şekilde ele alabilir.
Destekleyici bir araç olarak makine öğrenimi, insan planlamacıların üretkenliğini artırabilir ve aynı zamanda potansiyel olarak daha sürdürülebilir kentsel yaşam yaratabilir. Ayrıca, planlamacıların alan düzenleme sürecini hızlandırmasına yardımcı olmanın yanı sıra, diğer katılımcılara da daha geniş faydalar sağlayabilir. Modele özelleştirme seçenekleri eklenerek, konut sakinlerinin ve geliştiricilerin planlama sürecine katılımını kolaylaştıracak halka açık bir platform oluşturulabilir.
Araştırma makalesinde de belirtildiği gibi, kentsel planlama hiçbir zaman arazi kullanımı ve yol konumunun seçilmesiyle ilgili basit bir oyun değildir; birden fazla paydaş arasındaki karmaşık bir etkileşimdir. Bu çalışmada önerilen çerçeve, tüm aktörlerin daha yüksek katılım olasılığını ortaya koymakta olup, daha şeffaf ve kapsayıcı bir kente doğru küçük bir adımdır.
Referans bağlantıları: